GURLKNet为绝缘体缺陷检测的封闭统一的重定量化大内核网络提供了隔离器缺陷检测.
Xun Li1,2,3, Yuzhen Zhao4, Yang Zhao1
1Xi'an Key Laboratory of Advanced Photo-electronics Materials and Energy Conversion Device, School of Electronic Information, Xijing University, Xi'an, 710123, People's Republic of China.
Scientific reports
|November 6, 2025
概括
一个新的Gated Unified Reparameterized Large Kernel Network (GURLKNet) 改进了基于无人机 (UAV) 的绝缘体缺陷检测. 这种方法提高了电力系统安全检查的准确性和效率.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 电气工程 电气工程
背景情况:
- 无人机和计算机视觉对于电力系统安全至关重要.
- 绝缘体缺陷检测面临诸如尺度不平衡,边缘模糊和复杂的背景等挑战.
- 现有的方法难以处理空中检查数据的细微差别.
研究的目的:
- 开发一个先进的网络,以使用无人机增强绝缘体缺陷检测.
- 在复杂的电力系统环境中解决当前对象检测模型的局限性.
- 为了提高智能绝缘体检查的准确性和效率.
主要方法:
- 建议一个带有门的统一修复参数的大型内核网络 (GURLKNet),为扩展的受容场提供一个带有门的统一修复参数的大型内核模块 (GUR-LKM).
- 引入了一个边缘引导特征干 (EGFStem),集成边缘检测和纹理指导,以增强边界感知.
- 采用一个上下文交互式融合网络 (CIFNet) 以多尺度的注意力来提高特征融合和本地化准确性.
主要成果:
- 在绝缘器缺陷数据集上,GURLKNet表现出强大的整体准确性和低计算成本.
- 在关键评估指标上表现优于主流的对象检测模型.
- 与基线模型相比,在绝缘体-DET上实现了3.5%的mAP50改善,在IDID上达到0.9%.
结论:
- GURLKNet为智能绝缘体检验提供了一种高效可靠的解决方案.
- 拟议的方法推进了用于低海拔电力系统传感的物体检测技术.
- 促进工程应用和部署先进的人工智能在电力基础设施维护.


