Insulator-DETR:基于无人机遥感并为绝缘子缺陷检测定制的检测Transformer

《Remote Sensing》:Insulator-DETR: A Detection Transformer Tailored for Insulator Defect Inspection Based on UAV Remote Sensing

【字体: 大 中 小 】 时间:2026年08月27日 来源:Remote Sensing 4.3

编辑推荐:

  可靠地检测无人机 (UAV) 遥感图像中的绝缘子缺陷对于电力传输系统的安全运行至关重要。然而,由于航空场景中存在细粒度的缺陷模式、薄结构、大尺度变化和复杂背景,该任务仍然具有挑战性。为了解决这些问题,研究人员提出了Insulator-DETR,这是一种专门为基

  
可靠地检测无人机 (UAV) 遥感图像中的绝缘子缺陷对于电力传输系统的安全运行至关重要。然而,由于航空场景中存在细粒度的缺陷模式、薄结构、大尺度变化和复杂背景,该任务仍然具有挑战性。为了解决这些问题,研究人员提出了Insulator-DETR,这是一种专门为基于无人机的绝缘子缺陷检测设计的端到端检测Transformer。该框架保留了DETR的集合预测范式,同时引入了面向任务的修改。在编码器中,并行注意力多层感知机 (PAM) 集成了多尺度空间感知和相位感知令牌交互,以增强对细粒度纹理和结构细节的表示。在解码器中,掩蔽线性注意力 (MLA) 机制将高效的全局建模与局部上下文聚合相结合,从而实现对不规则缺陷的准确定位。此外,采用卷积前馈设计来增强空间交互。在两个新标注的无人机绝缘子缺陷数据集和一个公共基准上的大量实验表明,Insulator-DETR在检测精度和召回率方面均持续优于最先进的检测器。
输电线路是关键基础设施,绝缘子作为输电系统的重要组件,长期暴露在复杂的户外环境中,容易产生伞裙破损、部件断裂、磨损和闪络痕迹等缺陷,危及电网的安全运行。传统的手工巡检劳动强度大、耗时长且存在安全隐患。随着无人机 (UAV) 的广泛应用,UAV遥感已成为电力线路巡检的重要手段。然而,从无人机图像中自动检测缺陷仍面临挑战。绝缘子缺陷在图像中通常较小,外观特征微弱或不规则,且在视角、目标尺度、光照和背景复杂性方面存在巨大差异。这要求检测模型在保留细粒度局部线索的同时,利用更广泛的空间上下文和多尺度结构信息。现有的检测Transformer (DETR) 变体大多关注数据效率、查询设计等方面,较少针对无人机绝缘子缺陷的细粒度纹理、薄结构、跨尺度上下文等视觉特征联合定制内部编码器与解码器的表示机制。标准自注意力虽然能有效建模全局依赖关系,但局部性有限;而传统前馈层主要进行通道变换,未直接对空间邻域交互进行建模。因此,有必要开展这项研究以填补此空白。

研究人员提出了一种针对无人机绝缘子缺陷巡检定制的端到端检测Transformer模型——Insulator-DETR。该研究通过保留DETR的集合预测范式,在编码器和解码器中引入了面向任务的修改,以增强多尺度缺陷表示和全局-局部特征交互。相关结论表明,该方法在复杂遥感环境中能准确检测绝缘子缺陷,在检测精度和召回率上均优于现有最先进检测器,并在精度与计算效率之间取得了良好平衡。该研究发表在《Remote Sensing》期刊上,为基础设施巡检及其他遥感缺陷检测应用中数据稀缺问题提供了可扩展的解决方案。

为开展研究,研究人员使用大疆M300 RTK搭载禅思P1相机采集真实巡检图像构建了数据集,包含真实绝缘子缺陷数据集(959张,含破损、磨损、闪络三类)和合成绝缘子缺陷数据集(1477张,利用Photoshop人工合成破损和磨损缺陷)。采用ResNet-50作为主干网络提取特征。在编码器中引入并行注意力多层感知机 (PAM,集成多尺度空间感知与相位感知令牌交互的模块) ,并用通道注意力 (CA,测量通道特征与令牌原型相关性的模块) 替代传统前馈网络;在解码器中使用掩蔽线性注意力 (MLA,结合角度相似性线性注意力与深度卷积的机制) 进行全局与局部建模,并采用卷积前馈网络 (ConvFFN,引入局部空间交互的双分支卷积前馈结构) 加强空间交互。模型使用AdamW优化器训练300个epoch。

研究结果如下:

3.1. 在合成和真实绝缘子缺陷数据集上的评估
通过与基于DETR和YOLO的检测器在自建数据集上进行对比实验,Insulator-DETR在不同主干网络和查询配置下均取得了最优的总体平均精度 (AP) 和平均召回率 (AR)。在合成数据集上,模型对小、中、大尺度目标的检测均有提升;在真实数据集上,对中、大尺度目标的提升也保持明显。

3.2. 在IDID基准上的评估
在绝缘子缺陷图像数据集 (IDID) 公共基准上进行独立评估实验,结果显示Insulator-DETR在精确率、召回率和AP50(交并比阈值为0.5时的平均精度)上均达到最佳,表明其在定位精度和检测完整性方面均有均衡提升。

3.3. 跨数据集评估
通过在真实绝缘子缺陷数据集上训练并直接在IDID上测试的跨数据集实验,Insulator-DETR相较于基线模型保持了显著更高的检测准确率,展现了更强的跨域泛化能力,但绝对性能仍受限于领域差异。

3.4. 消融研究
通过架构消融实验,PAM在总体AP上提供了最大的单项提升,MLA在AP75(交并比阈值为0.75时的平均精度)上提升显著,CA和ConvFFN则提供了互补改善。通过合成数据集影响实验,合成数据对真实缺陷中样本较少的磨损类别提升最大,对破损类别有一定提升,而对未在合成数据集中表示的闪络类别基本无影响。

3.5. 计算效率分析
通过在相同硬件平台上的效率对比实验,Insulator-DETR在对比方法中实现了最高的检测精度且参数量最少,其计算量更低,运行速度快于基线模型,同时占用的显存更少,实现了精度与效率的良好折衷。

3.6. 可视化
通过对三个数据集的代表性检测结果可视化并与基线对比,Insulator-DETR在复杂场景下产生的漏检更少,定位更准确。

总结讨论部分,Insulator-DETR在构建的数据集和独立IDID基准上均提升了绝缘子缺陷检测性能。相较于其他DETR变体通过查询公式化或训练策略进行改进,Insulator-DETR侧重于针对缺陷的多尺度结构和局部外观变化进行特征表示与交互。PAM的多尺度空间感知和相位感知令牌交互对不同空间范围的缺陷有效;MLA加强了全局与局部特征交互,改善了定位;CA和ConvFFN分别增强了通道判别力和局部空间建模,四者在特征编码解码的不同阶段发挥作用。合成数据在扩大具有与真实缺陷一致视觉特征的欠表示类别的表观变化时最为有效。跨数据集评估强调了数据多样性对泛化的重要性,同时也表明跨域分布偏移仍是主要挑战。

研究结论部分翻译如下:本研究提出了Insulator-DETR,一种用于无人机遥感图像绝缘子缺陷检测的面向任务的检测Transformer。该模型在紧凑的架构内加强了多尺度缺陷表示和全局-局部特征交互,旨在提高对多样化缺陷外观、目标尺度和复杂巡检背景的鲁棒性。在构建的数据集和独立IDID基准上的实验表明,相较于代表性的DETR和YOLO检测器有持续改进。消融和合成数据研究证实了所提出设计的有效性以及合成增强对代表性不足缺陷类别的好处,而跨数据集评估表明尽管仍存在领域偏移,但传递性有所提高。Insulator-DETR还以更少的参数和有竞争力的计算成本实现了良好的精度-效率折衷,支持其在无人机辅助巡检中的潜力。主要局限是现有真实缺陷数据的规模和多样性相对有限,部分训练数据是合成的。在采用的COCO定义下,真实数据集仅包含中、大尺度目标,因此模型在真实无人机图像中对小缺陷的有效性有待进一步确立。未来的工作将集中在扩大真实世界数据覆盖范围,提高对跨域变化的鲁棒性,并在嵌入式平台上评估模型以进行实际机载巡检。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号