基于特征注意力多尺度鲁棒网络与生成对抗网络的高精度输电设施检测方法

为解决输电设施人工检测效率低、风险高的问题，韩国汉阳大学团队开发了结合特征注意力多尺度鲁棒网络(FAMSR-Net)和StyleGAN2-ADA生成对抗网络的智能检测框架。研究通过虚拟图像增强训练数据，采用卷积块注意力模块(CBAM)优化特征提取，引入Scylla-IoU提升边界框定位精度，最终实现输电设施检测准确率达72.4%，显著优于现有方法。该成果为无人机电力巡检提供了可靠的技术方案。

　　

在现代社会高度依赖电力供应的背景下，输电设施的定期巡检至关重要。传统人工巡检方式不仅效率低下，还存在高空作业和触电风险。虽然无人机搭载光学相机的检测方法已逐步应用，但复杂环境下的检测精度仍面临挑战：输电设施尺寸差异大（绝缘子、避雷器等部件从厘米级到米级不等）、背景干扰严重（森林、山地等复杂地形）、缺陷样本稀缺（如故障绝缘子图像获取困难）。这些问题导致现有检测算法在真实场景中表现不佳，亟需开发更鲁棒的智能检测方案。

韩国汉阳大学机械融合工程系的研究团队在《CMES - Computer Modeling in Engineering and Sciences》发表研究，提出融合特征注意力多尺度鲁棒网络(FAMSR-Net)和生成对抗网络(GAN)的创新框架。该研究通过三个关键技术突破传统局限：首先采用StyleGAN2-ADA生成高保真虚拟图像，解决训练数据不足问题；其次设计含卷积块注意力模块(CBAM)的多尺度网络，增强特征提取能力；最后创新性应用Scylla-IoU边界框优化方法，提升不同尺寸目标的检测精度。研究团队收集了24,171张真实输电设施图像，配合生成的10,997张虚拟图像，构建了包含绝缘子、避雷器等6类设施的数据集。

关键技术方面，研究首先利用StyleGAN2-ADA的调制解调架构和自适应判别器增强(ADA)技术生成高质量虚拟图像，Fréchet起始距离(FID)评估显示其质量显著优于传统方法（FID=24.0 vs 61.1）。其次，FAMSR-Net网络整合了高效层聚合网络(ELAN)和空间金字塔池化跨阶段部分连接(SPPCSPC)模块，通过通道和空间双重注意力机制强化特征表达。最后，创新的Scylla-IoU损失函数综合考虑角度损失Λ、距离损失Δ和形状损失Ω，解决了传统IoU对尺寸变化敏感的问题。

研究结果显示，在输电设施检测任务中，FAMSR-Net的mAP达到71.9%，较YOLOv7提升1.9%。具体到各类设施：绝缘子检测精度74.7%（提升1.6%）、避雷器64.3%（提升3.9%）、间隔棒76.2%（提升1.0%）。当加入虚拟图像训练后，整体性能进一步提升至72.4%，特别是对小目标标记球的检测改善显著（AP提升2.1%）。对比实验中，FAMSR-Net以17.5 FPS的实时性能，显著优于变形DETR等新型网络，在精度和速度间取得最佳平衡。

这项研究的重要意义在于：技术上，首次将StyleGAN2-ADA与多尺度注意力网络结合，解决了电力巡检中的小样本学习难题；应用上，开发的系统可集成到无人机平台，实现输电设施的自动化巡检。相比传统方法，检测效率提升70%以上，同时降低人工巡检风险。研究提出的CBAM模块和Scylla-IoU优化策略，也为其他工业检测任务提供了普适性解决方案。未来通过优化背景干扰处理和采用高分辨率变焦相机，有望进一步扩大该技术在电力系统维护中的应用范围。