基于CenterNet的一次设备异常检测方法

摘要

目前电网一次设备存在线路长、覆盖广的特点,传统的人工运维方式不仅工作压力大,且难以及时发现故障隐患。针对上述问题,提出了一种一次设备异常检测方法。首先,使用中心网络(CenterNet)算法对样本训练集进行学习,并且使用CenterNet最后包含的高层特征做异常检测;然后,根据检测到的关键点热力图来判断异常目标的宽高信息,动态调整检测框大小;最后,通过检测当前图像异常一次设备中心点得到异常检测结果。实验结果表明,所提方法在一次设备数据集上准确率为92.6%,相较于传统的快速的基于区域的卷积神经网络(Fast RCNN)模型,准确率提升了4.3%,验证了所提方法的有效性和先进性。