仪器仪表学报

作者：陈哲煊，高雪莲，宋佳宇，刘毅

单位：陈哲煊,华北电力大学电气与电子工程学院北京102206,2397930220@qq.com,高雪莲,华北电力大学电气与电子工程学院北京102206,2397930220@qq.com,宋佳宇,华北电力大学电气与电子工程学院北京102206,,刘毅,华北电力大学电气与电子工程学院北京102206,

关键词：输电线异物检测;元学习;双编码;小样本数据集;SwinTransformer

输电线作为电力传输的重要设施，其异物检测是电网巡检维护的重要环节。然而，受限于输电线巡检数据的可获得性和输电线所处环境的复杂性，复杂背景下的小样本数据集输电线异物检测依然是一个挑战。就此提出一种由主编码SwinTransformer网络和次编码卷积神经网络（CNN）构成的基于两阶段元学习训练策略的双编码目标检测网络（ML-DCTDN），该网络的创新点在于：一方面主编码SwinTransformer网络通过2个阶段的元学习训练获得泛化特征提取能力，即第1阶段学习输电线特征，第2阶段学习异物特征，提高其在小样本数据集的目标检测任务中的表现；另一方面该双编码网络分别采用红绿蓝图像和灰度图像的输入方式，通过分层融合模块（LFM）和特征金字塔网络（FPN）模块实现红绿蓝图像和灰度图像的多模态特征融合，既利用了红绿蓝图像丰富的色彩和纹理信息，又借鉴了灰度图像对光线和细节纹理的鲁棒特性，强化了模型在复杂背景下的抗干扰能力与检测能力。消融实验表明，元学习训练策略明显提高了模型平均准确率（mAP），灰度图像输入方法将mAP提高了至少4%；与SSD、FasterRCNN、YOLOv5以及YOLOv8算法的对比实验表明，小样本数据集的输电线异物检测任务中借鉴元学习策略和双编码网络结构，能明显提高复杂背景下模型的目标检测精度，mAP50和mAP75值分别提高到98?6%和64?7%。

来源：2025年第3期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第3期