基于FedGSC和RT-DETR的电力设备缺陷检测技术

摘要

现有电力设备缺陷检测算法难以同时保证检测精度与速度，而且模型参数冗余、规模大，对部署在边缘端嵌入式设备中构成了挑战。提出一种基于联邦梯度评分修正（FedGSC）算法和实时端到端目标检测器（RT-DETR）的电力设备缺陷检测技术。首先，采用轻量化主干网络GhostNet替换RT-DETR的原有主干网络，利用通道剪枝对模型体积进一步压缩，大幅减少冗余参数，提高推理速度；构建基于云端服务器的联邦学习架构对边缘端轻量级RT-DETR模型进行分布式训练，为解决联邦学习训练过程中存在的非独立同分布（Non-IID）数据，引入FedGSC对每轮模型更新的梯度进行修正。实验结果显示，轻量级RT-DETR与传统RT-DETR以及YOLOv8相比较，算法模型大小仅47 MB，均值平均精度（mAP）为90.46%，能快速精准识别电力设备缺陷；提出的FedGSC算法在训练精度和收敛性上都明显优于联邦平均算法（FedAvg）和联邦公平平均算法（FedFV），并且FedGSC算法相较于FedAvg和FedFV算法分别节省40%和20%左右的通信成本。

关键词

电力设备 / 缺陷检测 / 轻量化 / 分布式训练 / 联邦学习 / 梯度评分修正算法