摘要
近年来，随着电力规模的逐渐扩大，保障电力系统安全稳定运行也变的越来越重要。在电力系统中，电力检修任务主要包括电力设备的安装、维护、故障检测以及故障排除等工作。在电力检修过程中，若电力设备存在异常或者电力施工存在安全问题，则可能会影响到电力系统的正常运行甚至造成严重的施工事故。因此电力检修可通过确保施工现场的安全以及准确发现设备的异常来确保电力系统的安全稳定运行。 以往，对于电力施工安全以及电力设备巡检都是基于人工来进行检查的，但是这种方式会消耗大量的时间以及人力，并不能满足现实的需求。随着深度学习的发展，基于深度学习的检测算法具备了学习能力强以及检测精度高的优势。因此，本文基于深度学习的目标检测算法对电力检修工作中电力施工安全以及电力设备巡检进行研究，主要工作包含以下三个方面： （1）为了对电力检修工作展开研究，本文分别构建了电力施工安全防护数据集PSPD以及电力设备巡检数据集PEID。两个数据集分别包含5430张图像和3016张图像、42661个目标实例和23986个目标实例、6个类别和10个类别。在标注过程中使用专业标注工具分别对数据集中安全防护问题以及电力设备的缺陷问题进行了标注。 （2）给出了一种电力施工安全防护检测算法。该方法通过对多个网络中的多层特征进行相互融合，并且在特征融合之前充分考虑不同层次的特征之间的差异，使得生成的特征可以更好的整合不同特征中的空间细节信息和语义信息。首先，本工作给出了一种渐进融合模块，在网络提取特征时逐渐融合两个相同网络相邻的特征，因此网络中会学习到更加健壮的特征。其次，通过特征增强模块进一步整合多个网络中相同层次的特征来增加特征中的空间细节信息。实验证明，本方法在电力施工安全防护数据集上获得了很好的检测效果。 （3）给出了一种电力设备缺陷检测算法。由于电力设备巡检任务中存在的电力设备几乎都是小目标，因此如何对小目标实现良好的检测是研究的重点。首先，本工作给出了一种特征融合增强模块，该模块首先通过融合网络中相邻层的特征来增强特征中的细节信息，然后对融合后的特征进行特征增强操作进一步增强特征中的浅层空间信息。其次，受到注意力机制的启发，本工作给出了一种空间注意力模块来抑制特征中的噪声并增强特征中感兴趣的特定目标区域，实现对特征的优化。在电力设备巡检数据集上的一系列实验证明了该算法对电力设备缺陷有很好的检测效果。
NETL