基于改进YOLOX的变电站设备缺陷检测方法

为减轻电力工作人员的巡检负担，实现变电站智能巡检，对变电站设备缺陷检测算法进行了研究。首先，利用数据增强方法对有限的初始数据集进行扩充，利用多种图像处理方法增加数据集的复杂度，生成考虑复杂光照环境的数据集；然后，采用自适应空间特征融合(ASFF:Adaptively Spatial Feature Fusion)的方法缓解特征金字塔中不同尺度特征的不一致性问题，并引入Focal损失函数作为置信度损失函数以缓解正负样本不平衡的问题，利用改进的YOLOX-s(You Only Look Once X-s)网络模型设计了变电站缺陷检测算法；最后，将改进的YOLOX-s网络模型与其他深度学习算法的检测效果进行对比，实验结果表明，改进的YOLOX-s网络模型的综合检测效果较好，准确性和实时性均可以满足变电站设备缺陷检测任务。