基于改进异常检测模型的电力线路绝缘子自动化巡检技术研究

本研究针对电力系统绝缘子巡检中存在的类别不平衡和早期故障检测难题，创新性地提出结合目标检测与异常检测的两阶段方法。团队采用可解释的单类分类器FCDD模型，开发改进损失函数解决计算与可解释性问题，在MVTec-AD基准数据集上平均性能提升0.47%。实验表明，仅需5个真实异常样本即可显著提升模型性能，为电力设备智能运维提供新范式。

　　

电力系统安全运行高度依赖绝缘子的完好性，传统人工巡检方式效率低下且难以识别早期故障。尽管深度学习技术已广泛应用于无人机巡检，但现有基于目标检测的方法面临三大挑战：数据集规模小且多样性不足、健康与故障样本严重不平衡（如600:248）、以及难以检测闪络和破损等早期微小故障。这些问题导致现有模型对罕见故障的检测准确率骤降，严重制约自动化巡检的推广应用。

瑞士联邦理工学院的研究团队在《Engineering Applications of Artificial Intelligence》发表的研究中，创新性地将绝缘子故障检测重构为异常检测问题。通过融合目标检测（YOLOv5）与改进的完全卷积数据描述（Fully Convolutional Data Description, FCDD）模型，构建两阶段检测框架。关键技术包括：1）开发与二元交叉熵对齐的改进FCDD损失函数，解决原始模型的计算缺陷；2）集成焦点损失（focal loss）处理像素级类别不平衡；3）采用半监督训练策略，同时利用标注的异常区域和未标注健康样本；4）在MVTec-AD基准数据集和两个绝缘子数据集（含瑞士电网实际数据）上进行验证。

研究结果部分：

1. 模型优化验证：改进FCDD在MVTec-AD的15类物体检测中，平均性能提升0.47%，最差案例提升2%，证明新损失函数的优越性。
2. 数据充足场景：在包含3286健康/716闪络/282破损磁盘的IDID数据集上，半监督模型AUC达0.89，较无监督提升14个百分点。
3. 数据稀缺场景：仅用5个真实异常训练的模型AUC达0.85，证明小样本学习有效性。结合IDID数据后AUC进一步提升至0.91。
4. 解释性分析：模型生成的异常热图与真实故障区域高度吻合，但存在背景误报现象，建议仅信任被分类为异常的预测。

该研究突破性地解决了电力巡检中的"长尾问题"，其创新点在于：1）方法论上将复杂检测任务分解为定位+分类两阶段，降低学习难度；2）改进损失函数增强模型可解释性，符合工业应用需求；3）验证仅需少量标注即可提升性能，大幅降低落地成本。研究为基础设施智能运维提供了可解释、高效率的解决方案，特别适用于故障样本稀缺的实际场景。未来可通过域适应技术进一步解决跨数据集迁移问题，推动该技术在更广泛工业检测中的应用。