龍玉江，衛(wèi) 薇，舒 彧，張正剛，王道累，李 峰

（1.貴州電網(wǎng)有限責(zé)任公司 信息中心，貴陽 550000；2.上海電力大學(xué) 電氣工程學(xué)院，上海 201306）

0 概述

隨著現(xiàn)代社會(huì)的發(fā)展，人們對(duì)電力需求越來越多，需要更快速且便捷地實(shí)現(xiàn)電力線路巡檢。絕緣子作為輸電線路的重要組成部分，為線路提供機(jī)械保護(hù)。絕緣子的失效和損壞將直接威脅到輸電線路的穩(wěn)定性和安全性［1］。大部分絕緣子暴露在野外惡劣的氣候條件下，容易出現(xiàn)裂縫、臟污、缺陷或雷擊等安全隱患。據(jù)不完全統(tǒng)計(jì)，由絕緣子缺陷或雷擊引起的線路跳閘等事故占比達(dá)到了電力系統(tǒng)故障的最高比例［2］。

近年來，由于航拍無人機(jī)具有高效、準(zhǔn)確、安全等特點(diǎn)，因此這些設(shè)備已成為輸電線路巡檢的重要手段［3］。將計(jì)算機(jī)視覺中的目標(biāo)檢測(cè)技術(shù)應(yīng)用于電網(wǎng)巡檢可以顯著減少人工工作量，提高檢測(cè)效率，避免漏檢和誤檢［4］。

盡管目前主流的卷積網(wǎng)絡(luò)檢測(cè)模型可以實(shí)現(xiàn)優(yōu)異的檢測(cè)效果，但是它們最終的回歸幀是水平的，未考慮目標(biāo)的傾斜角度和多樣性。水平框的方法會(huì)產(chǎn)生更多的冗余信息，并影響檢測(cè)后非極大值抑制結(jié)果［5］，導(dǎo)致網(wǎng)絡(luò)過擬合，且無法準(zhǔn)確提取絕緣體信息。絕緣子通常處于復(fù)雜的自然環(huán)境下，塔架和樹木的遮擋和干擾使常規(guī)的檢測(cè)方法無法精準(zhǔn)地定位絕緣子目標(biāo)。因此，在復(fù)雜背景下快速準(zhǔn)確地檢測(cè)輸電線路中的絕緣體是當(dāng)前研究熱點(diǎn)［6］。

旋轉(zhuǎn)目標(biāo)檢測(cè)主要應(yīng)用于自然場(chǎng)景文本、航空?qǐng)D像等領(lǐng)域，這些檢測(cè)器通常使用旋轉(zhuǎn)邊界框來描述對(duì)象的位置，例如，RRPN［7］使用旋轉(zhuǎn)錨框提高區(qū)域建議的質(zhì)量，R2CNN［8］是一種多任務(wù)文本檢測(cè)器，可同時(shí)檢測(cè)旋轉(zhuǎn)和水平邊界框，在TextBoxes++［9］中，使用長(zhǎng)卷積核并增加Proposals 的數(shù)量來適應(yīng)文本的細(xì)長(zhǎng)特征。文獻(xiàn)［10］提出1 個(gè)簡(jiǎn)單而強(qiáng)大的檢測(cè)模型，在自然場(chǎng)景中進(jìn)行快速準(zhǔn)確的文本檢測(cè)。文獻(xiàn)［11］提出一種特征增強(qiáng)方式，將圖像的全局特征與區(qū)域信息相結(jié)合。文獻(xiàn)［12］從級(jí)聯(lián)角度提出一種基于不同尺度卷積模塊的旋轉(zhuǎn)目標(biāo)檢測(cè)方法。文獻(xiàn)［13］為提高模型對(duì)目標(biāo)特征信息的關(guān)注度，設(shè)計(jì)一種像素注意力機(jī)制，并對(duì)模型損失函數(shù)進(jìn)行改進(jìn)，以解決旋轉(zhuǎn)目標(biāo)檢測(cè)中的邊界問題。文獻(xiàn)［14］使用4 種邊長(zhǎng)比例表示邊界框偏移值，并根據(jù)其真實(shí)邊界框和水平矩形框的面積差異得到角度信息。文獻(xiàn)［15］根據(jù)邊界框的2 條中線實(shí)現(xiàn)目標(biāo)的定位與識(shí)別。文獻(xiàn)［16］通過Mask 分支預(yù)測(cè)得到旋轉(zhuǎn)檢測(cè)框，并設(shè)計(jì)細(xì)化特征金字塔網(wǎng)絡(luò)（Feature Pyramid Network，F(xiàn)PN）結(jié)果以解決特征層尺度差異問題。文獻(xiàn)［17］提出一種新型的FPN 結(jié)構(gòu)，通過橫向加強(qiáng)特征融合能力，提升網(wǎng)絡(luò)在復(fù)雜環(huán)境下的檢測(cè)效果。文獻(xiàn)［18］提出1 個(gè)旋轉(zhuǎn)平衡的特征對(duì)齊網(wǎng)絡(luò)，采用對(duì)齊卷積層解決卷積特征對(duì)齊問題。文獻(xiàn)［19］在YOLOv5 模型基礎(chǔ)上實(shí)現(xiàn)旋轉(zhuǎn)框檢測(cè)，提升網(wǎng)絡(luò)針對(duì)大縱橫比物體檢測(cè)的適用性。

為解決絕緣子檢測(cè)中無法表現(xiàn)方向信息和復(fù)雜背景下檢測(cè)困難的問題，本文針對(duì)Oriented RepPoints［20］中特征利用率較低、多尺度間信息混淆等問題提出一種多角度故障絕緣子檢測(cè)方法。根據(jù)遞歸特征金字塔（Recursive Feature Pyramid，RFP）和坐標(biāo)注意力（Coordinate Attention，CA）機(jī)制［21］設(shè)計(jì)一種遞歸強(qiáng)化特征金字塔網(wǎng)絡(luò)（Recursive-enhanced Feature Pyramid Network，Re-FPN），大幅優(yōu)化算法檢測(cè)性能。

1 Oriented RepPoints 目標(biāo)檢測(cè)算法

傳統(tǒng)的Anchor-base 方法通過直接回歸邊界框參數(shù)實(shí)現(xiàn)目標(biāo)的識(shí)別和定位，但無法準(zhǔn)確地反映目標(biāo)的表現(xiàn)狀態(tài)，如目標(biāo)的形狀、角度等。因此，在使用Anchor-base 方法時(shí)往往無法排除背景信息的干擾。針對(duì)該問題，當(dāng)前大部分的旋轉(zhuǎn)框檢測(cè)器在回歸時(shí)添加角度因子，這種方法可以快速生成旋轉(zhuǎn)先驗(yàn)框，但仍存在損失不連續(xù)以及邊界位置所帶來的精度下降問題。因此，本文選用以自適應(yīng)關(guān)鍵點(diǎn)為基礎(chǔ)的Oriented RepPoints 檢測(cè)方法，與直接回歸角度參數(shù)相比，通過目標(biāo)中心生成可自動(dòng)學(xué)習(xí)的適應(yīng)點(diǎn)轉(zhuǎn)換作為邊界框，具有更精細(xì)的定位能力和更優(yōu)的對(duì)象特征提取效果。不同旋轉(zhuǎn)框生成方法的提取效果對(duì)比如圖1 所示。

圖1 不同旋轉(zhuǎn)框生成方法的提取效果對(duì)比Fig.1 Extraction effect comparison among different rotation box generation methods

Oriented RepPoints 檢測(cè)器通過1 組自適應(yīng)點(diǎn)進(jìn)行建模，并逐步細(xì)化包圍盒。自適應(yīng)點(diǎn)集的初始化和自適應(yīng)計(jì)算式如式（1）和式（2）所示：

其中：n表示采樣點(diǎn)總數(shù)，默認(rèn)設(shè)置n=9；為新采樣點(diǎn)相對(duì)于舊采樣點(diǎn)的預(yù)測(cè)偏移量。

采樣點(diǎn)的學(xué)習(xí)由目標(biāo)定位損失和目標(biāo)識(shí)別損失共同主導(dǎo)，在計(jì)算定位損失時(shí)Oriented RepPoints 首先使用轉(zhuǎn)換函數(shù)G將采樣點(diǎn)轉(zhuǎn)換為偽框，再計(jì)算轉(zhuǎn)換后的偽框與真實(shí)框之間的差異。定向轉(zhuǎn)換函數(shù)如式（3）所示：

其中：OOB表示從學(xué)習(xí)點(diǎn)集R轉(zhuǎn)換而來的定向框。Oriented RepPoints 使用3 個(gè)定向轉(zhuǎn)換函數(shù)完成采樣點(diǎn)到真實(shí)框的轉(zhuǎn)換。minAreaRect 函數(shù)旨在從定向?qū)ο笊系膶W(xué)習(xí)點(diǎn)集找到具有最小面積的旋轉(zhuǎn)矩形。NearestGTCorner 函數(shù)根據(jù)真實(shí)框信息，從學(xué)習(xí)點(diǎn)集中找到最近的點(diǎn)作為預(yù)測(cè)角點(diǎn)，用于構(gòu)建四邊形邊界框。ConvexHull 函數(shù)用于定向?qū)嵗噙呅巍?/p>

Oriented RepPoints 檢測(cè)器的輸出由2 個(gè)基于可變形卷積網(wǎng)絡(luò)（Deformable Convolution Network，DCN）的識(shí)別階段構(gòu)成，其結(jié)構(gòu)如圖2 所示。可變形卷積可以很好地與Oriented RepPoints 配對(duì)。由于Oriented RepPoints 的卷積是在不規(guī)則分布的樣本點(diǎn)集上進(jìn)行計(jì)算的，因此其識(shí)別反饋可以指導(dǎo)這些點(diǎn)的定位訓(xùn)練。

圖2 Oriented RepPoints 結(jié)構(gòu)Fig.2 Structure of Oriented RepPoints

2 破損旋轉(zhuǎn)絕緣子檢測(cè)方法

本文對(duì)Oriented RepPoints 算法進(jìn)行改進(jìn)，結(jié)合CA 機(jī)制與RFP 提出一 種Re-FPN結(jié)構(gòu)。其中，CA 機(jī)制將通道注意力分解為2 個(gè)一維特征編碼過程，分別沿2 個(gè)空間方向聚合特征，從而加強(qiáng)模型對(duì)特征的方向感知。Re-FPN 通過遞歸融合信息獲得更強(qiáng)的特征表示能力，解決Oriented RepPoints 算法方向信息感知不明顯、忽略尺度歸一化以及特征表現(xiàn)能力弱的問題。

2.1 遞歸強(qiáng)化特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)

特征金字塔網(wǎng)絡(luò)是目標(biāo)檢測(cè)的常用手段，在原Oriented RepPoints 中使用特征金字塔以解決多尺度檢測(cè)問題，但是模型在分配采樣點(diǎn)時(shí)無法根據(jù)目標(biāo)真實(shí)框大小進(jìn)行分配，導(dǎo)致在特征金字塔各層級(jí)間具有一定的相似性，且特征信息相互混淆。為此，本文使用Re-FPN 的遞歸操作深度融合不同層級(jí)間的特征信息，解決特征表現(xiàn)能力差的問題。Re-FPN 的結(jié)構(gòu)如圖3 所示。

圖3 遞歸強(qiáng)化特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of recursive-enhanced feature pyramid network

主干網(wǎng)絡(luò)輸出的特征圖首先經(jīng)FPN 處理，其計(jì)算式如下：

其中：Bi表示自下而上主干網(wǎng)絡(luò)的第i級(jí)；Fi表示自上而下FPN 操作的第i級(jí)；xi表示輸入特征圖；fi表示輸出特征圖。圖像經(jīng)主干網(wǎng)絡(luò)輸出1 組特征映射{fi|i=1,2,…,S}，S為階段數(shù)。

將FPN 輸出的特征圖進(jìn)行特征轉(zhuǎn)換，在將它們連接回自下而上的主干網(wǎng)絡(luò)之前，Re-FPN 的輸出特征fi定義為：

通過Re-FPN 使特征圖不斷地進(jìn)行遞歸操作，并將其展開為1 個(gè)連續(xù)性網(wǎng)絡(luò)，即?i=1,2,…,S；t=1,2,…,T,T為展開迭代的次數(shù)，本文將T設(shè)置為2，其計(jì)算式如下：

其中：t表示步驟t的操作和特征圖。

輸出與反饋回主干的特征變換部分R由空洞空間金字塔池化（Atrous Spatial Pyramid Pooling，ASPP）實(shí)現(xiàn)，以特征作為輸入，并將其轉(zhuǎn)化為Re-FPN 特征。ASPP 模塊結(jié)構(gòu)如圖4 所示。

圖4 空洞空間金字塔池化網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Structure of atrous spatial pyramid pooling network

ASPP 模塊共有4 個(gè)并行支路，其中3 個(gè)支路使用空洞卷積層和ReLU 層，輸出通道數(shù)為原始的1/4。第4 個(gè)支路使用全局平均池化層用于壓縮特征，再用1×1 的卷積層和ReLU 層將壓縮后的特征通道數(shù)轉(zhuǎn)換為1/4 大小，最后將4 個(gè)支路的輸出進(jìn)行拼接，得到變換后的特征。

2.2 坐標(biāo)注意力機(jī)制

輸電線路大多數(shù)情況處于野外自然環(huán)境下，無人機(jī)拍攝的圖片背景多為草地、塔架等，復(fù)雜的紋理信息會(huì)干擾網(wǎng)絡(luò)對(duì)絕緣子紋理和輪廓信息的關(guān)注度，降低檢測(cè)精度。為提高網(wǎng)絡(luò)對(duì)特征的敏感度，本文采用CA 機(jī)制，通過2 個(gè)全局平均池化操作（XAvgPool 和YAvgPool）得到具有嵌入特定方向信息的2 個(gè)注意力特征圖，再將注意力權(quán)重應(yīng)用在初始特征圖中，以強(qiáng)調(diào)注意區(qū)域的表示。坐標(biāo)注意力機(jī)制結(jié)構(gòu)如圖5 所示。

圖5 坐標(biāo)注意力機(jī)制結(jié)構(gòu)Fig.5 Structure of coordinate attention mechanism

網(wǎng)絡(luò)將輸入注意力的特征圖分為高度和寬度2 個(gè)方向，各自進(jìn)行全局平均池化，在得到沿寬度和高度2 個(gè)方向的全局感受野后，將2 個(gè)特征圖拼接在一起，利用1×1 的卷積對(duì)其進(jìn)行降維，調(diào)整特征通道數(shù)。采用Sigmoid 激活函數(shù)對(duì)其進(jìn)行批量歸一化和非線性處理。將得到的特征圖再按照初始的2 個(gè)方向分別進(jìn)行1×1 的卷積操作，將通道數(shù)調(diào)整為初始水平，并經(jīng)過Sigmoid 激活函數(shù)處理得到初始特征圖沿高度和寬度方向的注意力權(quán)重。最后將2 項(xiàng)權(quán)重加權(quán)至初始特征圖，得到具有注意力權(quán)重的特征圖。

2.3 損失函數(shù)

損失函數(shù)計(jì)算包括2 個(gè)階段。第1 階段通過從目標(biāo)中心點(diǎn)細(xì)化生成自適應(yīng)點(diǎn)集。第2 階段通過最小化損失函數(shù)進(jìn)一步獲得精確調(diào)整。損失函數(shù)L如式（7）所示：

其中：λ1和λ2為平衡加權(quán)，其取值分別為0.5 與1.5；Ls1和Ls2分別表示第1 階段和第2 階段的空間定位損失；Lcls表示分類損失。Lcls損失函數(shù)如式（8）所示：

其中：Ri，cls表示預(yù) 測(cè)置信 度；bj，cls表示真 實(shí)類別；Fcls為焦點(diǎn)損失；Ncls表示點(diǎn)集的總數(shù)。每個(gè)階段的Ls可表示為：

其中：Lloc表示轉(zhuǎn)換后定向框的定位損失；Ls.c.表示空間約束損失。

本文設(shè)置Nloc為正樣品點(diǎn)集總數(shù)，bj，cls表示真實(shí)框位置，則Lloc定義如下：

其中：Floc為定向四邊形的GIoU 損失。

由于輸電線路通常位于復(fù)雜的自然環(huán)境下，因此復(fù)雜的背景信息可能影響部分學(xué)習(xí)點(diǎn)的定位，導(dǎo)致其移出真實(shí)邊界框。因此，本文定義一種空間約束加大偏移學(xué)習(xí)點(diǎn)的損失，空間損失定義如下：

其中：ρij表示懲罰函數(shù)；Na表示目標(biāo)的正樣本點(diǎn)集數(shù)；No表示點(diǎn)集中偏移出真實(shí)框的點(diǎn)數(shù)。

設(shè)pc為真實(shí)框的幾何中心，給定邊界框外的采樣點(diǎn)po，懲罰函數(shù)定義如下：

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集

為驗(yàn)證本文提出的算法在用于檢測(cè)圖像中的絕緣體數(shù)據(jù)集時(shí)的魯棒性，本文構(gòu)建一定數(shù)量級(jí)的絕緣體圖像數(shù)據(jù)集，通過無人機(jī)巡檢拍攝圖片，結(jié)合公開數(shù)據(jù)集CPLID（Chinese Power Line Insulator Dataset）［22］共得到2 590 張絕緣子圖像。

本文所構(gòu)建的數(shù)據(jù)集是基于PASCAL VOC 數(shù)據(jù)集構(gòu)建方法和Mosaic 數(shù)據(jù)增強(qiáng)方法得到的，通過水平鏡像翻轉(zhuǎn)、裁剪和隨機(jī)旋轉(zhuǎn)對(duì)現(xiàn)有絕緣子圖像進(jìn)行處理和過濾，最終構(gòu)建8 650 張絕緣子數(shù)據(jù)集圖像，按照8∶2 的比例劃分為訓(xùn)練集和測(cè)試集。通過RoLabelImg 工具標(biāo)注輸電線路圖像中的絕緣子，該工具可以標(biāo)記具有多個(gè)角度的矩形，因此，在標(biāo)記時(shí)矩形框應(yīng)完全適合絕緣體目標(biāo)，以防止混入其他冗余信息。

3.2 實(shí)驗(yàn)環(huán)境與評(píng)價(jià)指標(biāo)

在本文實(shí)驗(yàn)中，訓(xùn)練采用Ubuntu16.04 位操作系統(tǒng)，NVIDIA Tesla T4（16 GB 顯存）完成，PyTorch 采用1.7.0 版本。訓(xùn)練參數(shù)設(shè)置如下：為節(jié)省計(jì)算內(nèi)存，將輸入圖像的大小調(diào)整為1 024×1 024 像素，權(quán)重由ImageNet 數(shù)據(jù)集的預(yù)訓(xùn)練模型初始化，模型訓(xùn)練150 epoch，batch_size 為16。SGD 用于更新權(quán)重，權(quán)重衰減和動(dòng)量分別設(shè)置為0.000 1 和0.9，初始學(xué)習(xí)率為0.01，在40、80 和120 epoch 時(shí)，學(xué)習(xí)率除以10。

本文在目標(biāo)檢測(cè)中常用的模型評(píng)價(jià)指標(biāo)為平均準(zhǔn)確度（Average Precision，AP）。AP 由精度（P）和召回率（R）曲線所包圍的區(qū)域構(gòu)成。AP 計(jì)算式如下：

其中：P代表精度；R代表召回率；R'代表召回率閾值。

3.3 對(duì)比實(shí)驗(yàn)

在本文中，改進(jìn)的算法被用作最終的訓(xùn)練模型來測(cè)試絕緣子圖像數(shù)據(jù)集。通過與其他算法進(jìn)行比較驗(yàn)證改進(jìn)算法的優(yōu)勢(shì)，使用當(dāng)前主流深度學(xué)習(xí)目標(biāo)檢測(cè)網(wǎng)絡(luò)對(duì)絕緣體數(shù)據(jù)集的圖像進(jìn)行訓(xùn)練和測(cè)試，得到的對(duì)比結(jié)果如表1 所示。各檢測(cè)算法的參數(shù)設(shè)置與開源代碼中的原始參數(shù)相同，各檢測(cè)算法的訓(xùn)練策略與第3.2 節(jié)相同，在模型訓(xùn)練收斂后記錄相應(yīng)精度參數(shù)。

表1 不同算法的實(shí)驗(yàn)結(jié)果對(duì)比 Table 1 Experimental results comparison among different algorithms %

本文算法的AP@0.5 達(dá)到96.1%，超過所有主流目標(biāo)檢測(cè)算法，與原始Oriented RepPoints 算法（主干網(wǎng)絡(luò)ResNet101）相比，本文算法提高了2.1 個(gè)百分點(diǎn)，驗(yàn)證本文算法在絕緣子目標(biāo)檢測(cè)問題上的實(shí)用性。圖6 所示為常用目標(biāo)檢測(cè)算法YOLOv4 與本文算法檢測(cè)效果的對(duì)比。從圖6 可以看出，在復(fù)雜背景（森林、草地及塔架等）及圖像中存在多絕緣子情況下，YOLOv4 算法出現(xiàn)部分漏檢的情況，而本文算法依然能準(zhǔn)確地定位和識(shí)別絕緣子目標(biāo)，并表現(xiàn)出其方向特征。

圖6 YOLOv4 算法與本文算法的可視化結(jié)果對(duì)比Fig.6 Visual results comparison between YOLOv4 algorithm and the proposed algorithm

3.4 消融實(shí)驗(yàn)

本節(jié)采用ResNet50 和ResNet101 作為主干網(wǎng)絡(luò)進(jìn)行消融實(shí)驗(yàn)。消融實(shí)驗(yàn)結(jié)果如表2 所示。從表2可以看出，以ResNet50 和ResNet101 作為主干網(wǎng)絡(luò)時(shí)，加入遞歸強(qiáng)化特征金字塔的AP@0.5 分別提升1.4 與1.3 個(gè)百分點(diǎn)，加入CA 時(shí)AP@0.5 分別提升0.8和0.5 個(gè)百分點(diǎn)。消融實(shí)驗(yàn)結(jié)果證明該算法在不同主干網(wǎng)絡(luò)上均能有效提升檢測(cè)準(zhǔn)確度。

表2 消融實(shí)驗(yàn)結(jié)果 Table 2 Ablation experiment results %

本文對(duì)Re-FPN 的最優(yōu)遞歸次數(shù)T進(jìn)行消融實(shí)驗(yàn)，采用ResNet50 作為主干網(wǎng)絡(luò)，使用坐標(biāo)注意力機(jī)制，訓(xùn)練參數(shù)均與第3.2 節(jié)一致。遞歸次數(shù)消融實(shí)驗(yàn)結(jié)果如表3 所示。

表3 遞歸次數(shù)消融實(shí)驗(yàn)結(jié)果 Table 3 Recursive times ablation experiments results

從表3 可以看出，遞歸次數(shù)越多，網(wǎng)絡(luò)檢測(cè)準(zhǔn)確度越高，但是模型參數(shù)量也相應(yīng)增多，檢測(cè)速度降低。相比1 次遞歸，2 次遞歸的AP@0.5 提升1.3 個(gè)百分點(diǎn)，模型參數(shù)量提升58.5×106。相比2 次遞歸，3 次遞歸的AP@0.5 僅提升0.3 個(gè)百分點(diǎn)，但是模型參數(shù)量和檢測(cè)速度已經(jīng)無法滿足實(shí)際需要。因此，本文選擇2 次遞歸的Re-FPN 結(jié)構(gòu)。

4 結(jié)束語

本文提出一種基于自適應(yīng)關(guān)鍵點(diǎn)的破損旋轉(zhuǎn)絕緣子檢測(cè)方法。針對(duì)Oriented RepPoints 算法方向信息感知不足及特征表現(xiàn)能力差的問題，設(shè)計(jì)遞歸強(qiáng)化特征金字塔網(wǎng)絡(luò)（Re-FPN）結(jié)構(gòu)，提升多尺度特征融合度，加強(qiáng)特征表現(xiàn)能力。引入坐標(biāo)注意力機(jī)制，通過2 個(gè)空間方向聚合特征，在沒有增加額外計(jì)算開銷的前提下，提升模型信息敏感度。實(shí)驗(yàn)結(jié)果表明，本文改進(jìn)后的算法相比原始Oriented RepPoints的AP@0.5 提升2.1 個(gè)百分點(diǎn)，AP@0.5 檢測(cè)準(zhǔn)確率達(dá)到96.1%。改進(jìn)后的算法能夠取得較優(yōu)的檢測(cè)效果，在電力維護(hù)方面具有良好的應(yīng)用前景。下一步將繼續(xù)完善電網(wǎng)巡檢圖像數(shù)據(jù)集，實(shí)現(xiàn)絕緣子故障檢測(cè)和自爆故障檢測(cè)，以及其他電力設(shè)備的故障診斷和高效智能檢測(cè)。