基于迁移学习的小样本绝缘子缺陷检测方法

来源：计算机应用杂志2025年第10期北京时间：

作者：张红, 谢慷慷, 宁霞, 宋婉莹

单位：1.西安科技大学 通信与信息工程学院，西安 710054；2.西安科技大学 西安市网络融合通信重点实验室，西安 710054

摘要：针对深度学习缺陷检测方法需要大量标注样本训练，而绝缘子缺陷样本获取困难的问题，提出一种基于迁移学习的小样本绝缘子缺陷检测方法。首先，在主干网络加入高效多尺度注意力（EMA）机制，以增强模型对目标特征的表征能力；其次，构建分层采样的区域建议网络（RPN）在特征金字塔中均匀选择锚框，提高模型对不同尺度下新类对象的捕获能力；最后，设计解耦分类头，并通过正负两个头分别处理正负样本，从而使模型可以更有效地适应新类对象。实验结果表明，与基线方法TFA（Two-stage Fine-tuning Approach）相比，在公共数据集PASCAL VOC上，所提方法对新类的平均精度均值（mAP）（交并比（IoU）为0.5）平均提升了9.5个百分点；在绝缘子缺陷数据集上，所提方法在1-shot、5-shot、10-shot、20-shot和30-shot检测任务中的mAP50分别提高了15.8、12.2、17.4、7.3和7.1个百分点。

关键词：绝缘子缺陷,小样本目标检测,迁移学习,注意力机制,解耦分类头

基金资助：国家自然科学基金资助项目(61901358)