基于深度学习的变电站高压柜内绝缘子缺陷检测

王昭雷; 李强; 卞建鹏; 王雍会

doi:10.26945/j.cnki.1001-9898.2026.01.010

您当前的位置：

首页 >

文章列表页 >

基于深度学习的变电站高压柜内绝缘子缺陷检测

更新时间：2026-04-09

- 基于深度学习的变电站高压柜内绝缘子缺陷检测
- Vol. 45, Issue 1, Pages: 50-58(2026)
- 作者机构：
  
  1. 国网河北省电力有限公司超高压分公司
  2. 石家庄铁道大学
- 作者简介：
- 基金信息：
- DOI：10.26945/j.cnki.1001-9898.2026.01.010
  CLC： TP18;TM63
- Published：2026
- 稿件说明：
移动端阅览
王昭雷, 李强, 卞建鹏, et al. 基于深度学习的变电站高压柜内绝缘子缺陷检测[J]. 2026, 45(1): 50-58.
DOI：

王昭雷, 李强, 卞建鹏, et al. 基于深度学习的变电站高压柜内绝缘子缺陷检测[J]. 2026, 45(1): 50-58. DOI： 10.26945/j.cnki.1001-9898.2026.01.010.

摘要

高压柜内绝缘子是变电站一次设备中重要的组成部分，直接影响变电站的稳定运行。传统高压柜内绝缘子缺陷检测方法具有安全隐患大、检测效率低和检测精度不足的问题。为解决上述问题，本文提出一种基于深度学习的高压柜内绝缘子故障识别算法，通过将注意力机制谱归一化（spectral normalization

SN）和空间注意力（spatial attention

SA）模块融入生成对抗网络（GAN）中形成改进SAGAN模型，然后在YOLOv8中引入Focus卷积模块和卷积块注意力机制（convolutional block attention module

CBAM），接着引入轻量级通道注意模块（efficient channel attention

ECA）注意力机制对ShuffleNetV2的结构进行改进。实验结果表明改进SAGAN和YOLOv8-ShuffleNetV2的网络模型能够识别复杂背景下的破损和缺失绝缘子图像，准确率达92.6%，与Faster-RCNN、ResNet-50等传统算法相比，本文所提模型在准确率、召回率和F1值上均有较大提升，能够有效检测出高压电柜内绝缘子的缺陷。

Abstract

关键词

Keywords

references

沈陆朋.基于改进YOLO算法的高压输电线路绝缘子与缺陷检测技术研究[D].南昌大学,2023(03).

余小松.面向输电线路绝缘子图像的数据增广方法研究[D].电子科技大学,2023(04).

蒋寰游.基于YOLOV5的无人机航拍输电线路绝缘子多缺陷检测[D].广东工业大学,2021(03).

Jingfang Su,Minrui Yang,Xinliang Tang.Integration of ShuffleNet V2 and YOLOv5s Networks for a Lightweight Object Detection Model of Electric Bikes within Elevators[J].Electronics,2024.

Jin Yu,Yu Victor WenZhe,Govoni Marco,Xu Andrew C,Galli Giulia.Excited State Properties of Point Defects in Semiconductors and Insulators Investigated with Time-Dependent Density Functional Theory.[J].Journal of chemical theory and computation,2023.

G. Saravanan,A. V. Santhosh Babu.Workload prediction for enhancing power efficiency of cloud data centers using optimized self‐attention‐based progressive generative adversarial network[J].International Journal of Communication Systems,2023.

Li Xuefeng,Su Hansong,Liu Gaohua.Insulator Defect Recognition Based on Global Detection and Local Segmentation[J].IEEE Access,2020.

Chaoyue Wang,Chang Xu,Xin Yao,Dacheng Tao.Evolutionary Generative Adversarial Networks[J].IEEE Transactions on Evolutionary Computation,2019.

Lokanath M,Kumar K Sai,Keerthi E Sanath.Accurate object classification and detection by faster-RCNN[J].IOP Conference Series: Materials Science and Engineering,2017.

王凯,黄陈蓉,顾杰,季星宇.基于MFBN-YOLOv5输电线路绝缘子缺陷检测研究[J].计算技术与自动化,2025(01).

王怡欣,谢铭涵,刘杰,伊晓宇,张佳鑫.运行后复合绝缘子硅橡胶伞裙老化特性研究[J].河北电力技术,2024(04).

巨建成.500kV断路器六氟化硫泄漏故障分析及处理[J].河北电力技术,2024(01).

张丕沛,郭晨瑞,王江伟,李杰.GIS盆式绝缘子开裂引起放电故障的原因分析[J].河北电力技术,2022(06).

李文彬,王勇,冯砚厅,吕亚东,李晓康.复合绝缘子压接接头模拟极端气温力学试验分析[J].河北电力技术,2022(05).

黄新波,高玉菡,张烨,赵隆,伍逸群,孙苏珍.基于联合分量灰度化算法和深度学习的玻璃绝缘子目标识别算法[J].电力自动化设备,2022(04).

李应宏,王贵山,何学敏.复合支柱绝缘子击穿故障及防范措施分析[J].广西电力,2021(02).

李浩然,高健,吴田,舒征宇.基于改进Canny算子的绝缘子裂纹检测研究[J].智慧电力,2021(02).

卞建鹏,郝嘉星,赵帅,李凡,孙晓云.基于改进胶囊网络的接触网吊弦故障识别与定位[J].电工技术学报,2020(24).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于改进SSD的输电场景绝缘子识别

基于ChOA-CNN的高频局部放电识别模型

基于YOLOv7+ECA模型的光伏组件热斑检测方法

基于改进Unet与图像处理技术的绝缘子自爆识别

电网污闪成因及防治措施

Related Author

李整

王兆楠

秦金磊

李建鹏

王绪

杨世博

李强

胡伟涛

Related Institution

华北电力大学计算机系

江苏国信高邮热电有限责任公司

高邮市城市建设投资集团有限公司

国网浙江省电力有限公司湖州供电公司

保定供电公司

AI问答

⁰