基于改进孪生网络的变电站设备缺陷判别算法

变电站缺陷检测诊断是保证电力安全生产的重要手段之一.针对变电站设备缺陷识别中现有方法鲁棒性较差、数据采集成本高、新类别泛化性差等问题,提出了一种改进孪生网络的变电站设备缺陷判别算法.该方法针对变电站内的可见光图片进行分析,网络结构中加入了特征金字塔结构增强多尺度信息,并使用欧式距离与K最近邻(KNN)算法进行特征相似性度量与分类,实现了对缺陷目标的有效识别与分类.且可在无须扩充数据集的条件下,依据实际应用场景扩充缺陷类型,有效提升了模型对新类别的泛化能力与实时检测能力,大幅降低了数据采集成本.建立了变电站可见光图片设备缺陷数据集,并在该数据集上进行大量训练,模型实验准确率达到91.25％,召回率达到95.36％,均比普通卷积神经网络提升35％左右.实验结果表明,该方法能有效提升变电站设备缺陷检测能力.