测控技术2023年第42卷第7期模式识别与人工智能收稿日期:2022－10－14基金项目:国网新疆电力有限公司科技项目(5230BD220001)引用格式:陈剑波，唐锐，姚平，等．基于深度学习的架空线路关键部件典型缺陷识别研究［J］．测控技术，2023，42(7):22－28．CHENJB，TANGＲ，YAOP，etal．ＲesearchonTypicalDefectsIdentificationofKeyComponentsofOverheadLinesBasedonDeepLearning［J］．Measurement＆ControlTechnology，2023，42(7):22－28．基于深度学习的架空线路关键部件典型缺陷识别研究陈剑波，唐锐，姚平，张赛飞，廖林(国网新疆电力有限公司巴州供电公司，新疆库尔勒841000)摘要:为了精确识别定位架空线路中关键部件的缺陷情况，提出了一种改进的YOLOv3检测方法，首先采用ＲepVGG模块替换骨干网络Darknet-53中的残差单元，加快推理速度;其次通过改进损失函数，引入SIoU使模型训练更快，精确率更高;最后通过改进检测头，采用不同的分支进行计算，提升检测效果。实验结果表明，改进方法与YOLOv3相比，精确率提高了3．4%，召回率提高了2.6%;性能相比于SSD、FasterＲ-CNN网络模型也具有一定优越性。关键词:YOLOv3;目标检测;ＲepVGG;SIoU;架空线路巡检中图分类号:TP391．4文献标志码:A文章编号:1000－8829(2023)07－0022－07doi:10．19708/j．ckjs．2023．07．004ＲesearchonTypicalDefectsIdentificationofKeyComponentsofOverheadLinesBasedonDeepLearningCHENJianbo，TANGＲui，YAOPing，ZHANGSaifei，LIAOLin(StateGridXinjiangElectricPowerCo．Ltd．BazhouPowerSupplyCompany，Korla841000，China)Abstract:Inordertoaccuratelyidentifyandlocatethedefectsofkeycomponentsinoverheadlines，anim-provedYOLOv3detectionmethodisproposed．Firstly，theＲepVGGmoduleisusedtoreplacetheresidualunitinthebackbonenetworkDarknet-53tospeedupinference．Secondly，byimprovingtheLossfunction，SIoUisintroducedtomakethemodeltrainingfasterandimprovetheaccuracy．Finally，byimprovingthedetectionheadandusingdifferentbranchesforcalculation，thedetectioneffectisimproved．TheexperimentalresultsshowthatcomparedwithYOLOv3，theimprovedmethodimprovestheprecisionrateby3．4%andtherecallrateby2.6%，italsohascertainadvantagescomparedwithSSDandFasterＲ-CNNnetworkmodelsinper-formance．Keywords:YOLOv3;targetdetection;ＲepVGG...
