基于改进稀疏DETR的电网鸟巢检测系统

钱平; 翁东雷; 张永; 王国义; 林江; 季利鹏

doi:10.20204/j.sp.2026.01009

欢迎来到能源电力期刊网！

您当前的位置：

首页 >

文章列表页 >

基于改进稀疏DETR的电网鸟巢检测系统

系统稳定与故障诊断 | 更新时间：2026-02-28

- 基于改进稀疏DETR的电网鸟巢检测系统
- 基于改进稀疏DETR的电网鸟巢检测系统
- 智慧电力 2026年54卷第1期页码：76-83
- 作者机构：
  
  1. 国网浙江省电力有限公司
  2. 国网浙江省电力有限公司宁波供电公司
  3. 南京德软信息科技发展有限公司
  4. 上海理工大学
- 作者简介：
- 基金信息：
  
  国家自然科学基金面上资助项目（52371331）;浙江省电力有限公司研究开发项目（浙电发展[2021]25号）（5211NB20013A）~~
- DOI：10.20204/j.sp.2026.01009
  中图分类号： TM75;TP391.41
- 纸质出版：2026
- 稿件说明：
移动端阅览
钱平, 翁东雷, 张永, 等. 基于改进稀疏DETR的电网鸟巢检测系统[J]. 智慧电力, 2026,54(1):76-83.

钱平, 翁东雷, 张永, et al. 基于改进稀疏DETR的电网鸟巢检测系统[J]. 2026, 54(1): 76-83.
钱平, 翁东雷, 张永, 等. 基于改进稀疏DETR的电网鸟巢检测系统[J]. 智慧电力, 2026,54(1):76-83. DOI： 10.20204/j.sp.2026.01009.

钱平, 翁东雷, 张永, et al. 基于改进稀疏DETR的电网鸟巢检测系统[J]. 2026, 54(1): 76-83. DOI： 10.20204/j.sp.2026.01009.

摘要

针对电网设备鸟类筑巢引发的故障风险，提出了一种基于改进稀疏Detection Transformer(DETR)的目标检测模型，旨在提升小目标识别精度并满足现场部署需求。输电线路杆塔所处位置高、巡检环境复杂，而鸟巢目标体积小、形态多样，且常与杆塔构件、背景环境高度相似，传统人工巡检或自动化检测方法难以实现精准识别，给电网安全运行带来隐患。针对这些难点，构建了一种端到端的检测框架，可直接依据无人机或固定摄像头采集的图像输出鸟巢及其位置信息，无需区域提议与非极大值抑制（NMS）步骤，结构更为简洁高效。模型引入可变形注意力机制以增强多尺度特征建模能力，通过编码器特征单元稀疏化显著降低计算成本，并采用卷积与Transformer Encoder交替组合的结构，有效融合局部细节与全局语义特征，从而提升在复杂背景下的小目标检测性能。改进后的模型已成功部署于移动设备，支持现场实时检测与交互。在基于真实输电线路及少量变电站场景构建的数据集上进行测试，结果表明：该模型在AP50

AP60

AP70指标上分别达到78.52%

72.09%和61.27%，计算成本降低38%，帧率（FPS）提升36%，验证了其在电网鸟害防治中的工程实用价值。

Abstract

To address the issues of insufficient sensitivity in detecting high-impedance grounding faults and the tendency for fault location to converge to local optima in distribution networks

this paper proposes a collaborative fault detection and location method based on the synergy between a subspace perturbation model and the Bat-Differential Evolution (BatDE) algorithm. First

the subspace perturbation model is employed to achieve highly sensitive detection of high-impedance faults

transforming the fault state into quantifiable changes in the subspace structure. Subsequently

eigenvector perturbation analysis is used to quickly identify suspicious fault sections

thereby narrowing down the search scope. Finally

an optimization model centered on the BatDE algorithm is constructed to achieve rapid and accurate fault section localization within the candidate fault set. Experimental results demonstrate that this collaborative mechanism effectively integrates the advantages of the subspace model in state perception with the capabilities of the BatDE algorithm in optimization search

significantly enhancing the efficiency and accuracy of high-impedance grounding fault location.

关键词

Keywords

references

张新,郭福亮,梁英杰,陈修亮.基于深度学习的小目标检测算法综述[J].软件导刊,2020(05).

杨波,曹雪虹,焦良葆,孔小红.改进实时目标检测算法的电力巡检鸟巢检测[J].电气技术,2020(05).

庞宁.基于深度学习的输电线杆塔鸟巢检测与识别[J].自动化与仪器仪表,2020(04).

王纪武,罗海保,鱼鹏飞,刘亚凡.基于Faster R-CNN的铁路接触网鸟巢检测[J].铁道机车车辆,2020(02).

时磊,杨恒,周振峰,杨刘贵,张辉,杜浩.基于RetinaNet模型的鸟巢智能检测[J].电力大数据,2020(02).

杨学存,和沛栋,陈丽媛,李杰华.基于深度可分离卷积的轻量级YOLOv3输电线路鸟巢检测方法[J].智慧电力,2021(12).

王科理,高福来,杨鹏,王亮.基于深度学习的接触网鸟巢异物识别研究[J].铁道机车车辆,2022(02).

屈志坚,高天姿,池瑞,杨行.基于改进的YOLOv3接触网鸟巢检测与识别[J].华东交通大学学报,2021(04).

韦庚吾,李英娜.基于改进Yolov4的输电线路鸟巢轻量级检测算法[J].电力科学与工程,2022(10).

吴洋铭,洪翠,高伟.基于雷达点云与视觉图像融合的输电线路探鸟驱鸟技术[J].高电压技术,2023(08).

周丽娟,毛嘉宁.视觉Transformer识别任务研究综述[J].中国图象图形学报,2023(10).

陈洛轩,林成创,郑招良,莫泽枫,黄心怡,赵淦森.Transformer在计算机视觉场景下的研究综述[J].计算机科学,2023(12).

周海成,石恒初,曾令森,王飞,欧阳勇.基于关系超图增强Transformer的智能站二次设备故障诊断研究[J].电力系统保护与控制,2024(12).

李士哲,王霄慧,刘帅.考虑多变量相关性改进的风电场Transformer中长期预测模型[J].智慧电力,2024(04).

王林,刘景亮,王无为.基于空洞卷积融合Transformer的无人机图像小目标检测方法[J].计算机应用,2024(11).

谢萱萱,李俊娥,李福阳,许逸凡,刘林彬,陈锦山.面向新型电力系统的智能终端后门检测方法[J].电力建设,2024(01).

姜贸翔,司占军,王晓喆.改进RT-DETR的无人机图像目标检测算法[J].计算机工程与应用,2025(01).

罗刚,张山河,胡龙江,张轩豪.输电线路和500 kV变电站鸟害分析及防治措施[J].自动化应用,2023(S2).

张华忠,杨荣,邓旭,李飞,钟勉.基于改进SSD的缺陷目标红外检测算法[J].激光与红外,2024(12).

李聪亮,孙士杰,张朝阳,刘泽东,雷琪,宋焕生.基于孪生空间的单目图像目标位姿一体化标注方法[J].计算机研究与发展,2023(11).

王乐,王珂,覃桂锋,张玉波.多模态数据融合配电终端淹没风险快速预测方法[J].电力科学与技术学报,2024(06).

王宁,智敏.深度学习下的单阶段通用目标检测算法研究综述[J].计算机科学与探索,2025(05).

杨虹,孟晓凯,俞华,白洋,韩钰,刘永鑫.基于BERT模型的主设备缺陷诊断方法研究[J].电力系统保护与控制,2025(07).

彭放,刘甜甜,卢伟龙,潘建宏,任俊达.基于深度学习的智能电网主动式外部作业人员安全风险因素监测[J].电测与仪表,2025(07).

方帅,沈岳,龙强,刘果,尹业荣,周浩宇.基于YOLO算法的鸟类检测技术研究综述[J].农业与技术,2025(03).

耿占权,苏飞.基于图像融合技术与改进Faster R-CNN的绝缘子故障识别[J].高压电器,2025(10).

张琴,郭为安.深度学习小目标检测算法综述[J].计算机应用研究,2025(10).

宋榕,闫书佳,刘新伯,雷俊松,马露.基于Starnet和Transformer的实时轻量级水下目标检测[J].船舶工程,2025(11).

黄瑞承,成燕,查航伟,董国鹏.基于MVMD-BKA-Transformer的短期光伏功率预测[J].电源技术,2025(10).

吴国武,李贵亮,李世圣,罗旭,庄敏.电力检修作业无人机巡检CNN小目标智能识别[J].电子设计工程,2025(21).

刘宏志,马跃,邱彬,王凯.改进YOLOv11n在输电线路绝缘子主要缺陷检测中的应用研究[J].高压电器,2025(10).

徐平,徐吉,冯宇超,朱文杰,袁鑫.面向CASSI的高光谱图像重建算法研究综述（特邀）[J].光子学报,2025(09).

张伟,蔡宇帆,叶林涛,刘大志.基于特征提取增强和金字塔结构的实时Transformer小目标检测模型[J].计算机科学,2025(S2).

罗季,王晓红,杨祎斐,肖剑.基于改进Swin Transformer的遥感图像建筑物变化检测[J].现代电子技术,2025(23).

利铭康,柳薇,陈卫东.Swin Transformer V2和特征融合的U-Net图像去噪方法[J].中国图象图形学报,2025(11).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

同塔多回输电线路最优相序排列方式

35kV输电线路综合防雷技术探讨

变电站微机综合自动化系统及有关问题探讨

新型变电站电压无功综合控制装置的研制之一装置的功能与原理

3D-FLIT及其在工业CT体数据线特征提取中的应用