基于改进SSD的输电场景绝缘子识别

秦金磊; 王兆楠; 李整

doi:10.26945/j.cnki.1001-9898.2026.01.006

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于改进SSD的输电场景绝缘子识别

设备运行技术 | 更新时间：2026-07-17

- 基于改进SSD的输电场景绝缘子识别
- 基于改进SSD的输电场景绝缘子识别
- 电力能源技术 2026年45卷第1期页码：41-49
- 作者机构：
  
  华北电力大学计算机系
- 作者简介：
- 基金信息：
  
  河北省自然科学基金项目（F2014502081）;中央高校基本科研业务费专项资金资助（2020MS120）
- DOI：10.26945/j.cnki.1001-9898.2026.01.006
  中图分类号： TP391.41;TP18;TM216
- 纸质出版：2026
- 稿件说明：
移动端阅览
秦金磊, 王兆楠, 李整. 基于改进SSD的输电场景绝缘子识别[J]. 电力能源技术, 2026,45(1):41-49.

秦金磊, 王兆楠, 李整. 基于改进SSD的输电场景绝缘子识别[J]. 2026, 45(1): 41-49.
秦金磊, 王兆楠, 李整. 基于改进SSD的输电场景绝缘子识别[J]. 电力能源技术, 2026,45(1):41-49. DOI： 10.26945/j.cnki.1001-9898.2026.01.006.

秦金磊, 王兆楠, 李整. 基于改进SSD的输电场景绝缘子识别[J]. 2026, 45(1): 41-49. DOI： 10.26945/j.cnki.1001-9898.2026.01.006.

摘要

为了满足输电场景下智能巡检系统构建的准确和快速要求，文中提出了一种基于轻量级单步多框检测器（single shot multibox detector

SSD）网络的输电场景绝缘子目标检测方法。首先，以SSD为基础，采用轻量级网络MobileNetV3-large改进模型结构，引入通道注意力结构和新的激活函数，增强特征提取能力的同时降低模型复杂度；其次，结合高效通道注意力（efficient channel attention

ECA），有效捕获跨通道交互的信息；最后，构建包含不同背景、不同种类输电线路绝缘子图像数据集，对模型开展训练、测试和验证工作。实验结果表明，与原SSD算法相比，对于检测绝缘子图像，模型参数量减少了82.93%，目标检测速度提升96.38%，且能达到92.70%的准确率，为方便部署且保证快速有效地识别提供了一种可行方案。

Abstract

关键词

Keywords

references

李浩.基于计算机视觉的电力设备红外检测研究[D].长沙理工大学,2019(07).

Tao Xian,Zhang Dapeng,Wang Zihao,Liu Xilong,Zhang Hongyan,Xu De.Detection of Power Line Insulator Defects Using Aerial Images Analyzed With Convolutional Neural Networks[J].IEEE Transactions on Systems, Man, and Cybernetics: Systems,2020.

Wang Q.,Wu B.,Zhu P.,Li P.,Zuo W.,Hu Q..ECA-Net: Efficient channel attention for deep convolutional neural networks[J].Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2020.

Michał Tomaszewski,Bogdan Ruszczak,Paweł Michalski.The collection of images of an insulator taken outdoors in varying lighting conditions with additional laser spots[J].Data in Brief,2018.

Ren Shaoqing,He Kaiming,Girshick Ross,Sun Jian.Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks.[J].IEEE transactions on pattern analysis and machine intelligence,2017.

Mark Everingham,S. M. Ali Eslami,Luc Gool,Christopher K. I. Williams,John Winn,Andrew Zisserman.The Pascal Visual Object Classes Challenge: A Retrospective[J ] .International Journal of Computer Vision,2015.

Liang-Chieh Chen,George Papandreou,Iasonas Kokkinos,Kevin Murphy 0002,Alan L. Yuille.Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs.[J].CoRR,2014.

Paul Jaccard.THE DISTRIBUTION OF THE FLORA IN THE ALPINE ZONE.1[J].New Phytologist,1912(2).

杨达伟,杨明圣,付博.改进YOLOv7的电力设备红外图像多目标检测[J].红外技术,2025(03).

马建宝,李小飞,毕江,贾世凯.一种改进SSD和ResNet的光伏组件缺陷识别算法[J].粘接,2025(02).

胡晓东,于传维,王世强,陈芳,张艳辉.一种自适应的红外图像劣化瓷绝缘子诊断方法[J].河北电力技术,2024(05).

王磊.基于深度学习的输电线路绝缘子目标增强识别研究[J].铁道建筑技术,2022(12).

朱有产,郑怡,秦金磊.基于改进YOLOv3的绝缘子目标检测研究[J].电瓷避雷器,2022(03).

李伟性,郑武略,王宁,赵航航.基于SSD算法的输电线路上绝缘子缺陷检测方法研究[J].仪器仪表用户,2019(08).

龚钢军,张帅,吴秋新,陈志敏,刘韧,苏畅.基于TensorFlow的高压输电线路异物识别[J].电力自动化设备,2019(04).

程海燕,翟永杰,陈瑞.基于Faster R-CNN的航拍图像中绝缘子识别[J].现代电子技术,2019(02).

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

基于深度学习的变电站高压柜内绝缘子缺陷检测

基于改进YOLOv8n的超特高压变压器套管油位视觉检测算法

基于深度学习与边缘计算的变电站安全管控技术研究

基于ChOA-CNN的高频局部放电识别模型

基于改进YOLOv11的输电线路异物检测算法