摘要
电力设备缺陷检测对于确保电网的可靠运行至关重要。现有的电力设备缺陷检测方法通常将任务定义为多类目标检测，但其性能受到长尾缺陷分布和忽略正常运行状况的影响。为了解决这些挑战，我们提出了一个两阶段框架，该框架将组件定位与运行状态识别分开处理。具体而言，首先使用传统的检测器对设备组件进行定位，然后通过层次化的对比学习框架进行状态识别。引入了双记忆库来捕获组件的语义信息（粗粒度）和状态原型（细粒度），从而通过从粗粒度到细粒度的对比优化实现具有区分性的特征学习。我们还构建了一个包含层次化组件-状态注释的实际电力设备检测数据集。广泛的实验表明，所提出的框架在性能上始终优于传统的多类检测方法，尤其是在处理罕见缺陷类别时，并且在实际检测场景中有效减少了误报。
