第五章 结论与展望
随着中国铁路的高速发展和电力系统对稳定性要求的不断提高，输电线路的可靠运行显得尤为关键。绝缘子作为输电线路中的关键组成部分，其状态直接影响到整个输电系统的安全运行。然而，传统的绝缘子检测方法主要依赖人工巡检，这不仅效率低下，而且难以适应复杂多变的自然环境，难以及时发现绝缘子潜在的破损问题。因此，开发一种高效、准确的绝缘子自动检测技术具有重要的实际意义。在此背景下，本文通过深入研究胶囊网络的基本原理和结构，以及对YOLOv8算法的改进，提出一种基于CBAM-CapsNet与改进YOLOv8算法相结合的方法，实现对绝缘子破损部位的故障检测，为电力系统的稳定运行提供有力的技术支撑。本文具体工作如下：
(1)本文所选绝缘子数据集，图像质量受机身震动产生的噪声干扰，与绝缘子所处复杂环境影响。本文采用多种图像预处理技术提高图像质量，并通过改进的DCGAN(深度卷积生成对抗网络)技术对数据集进行增强。改进的CBAM-DCGAN模型通过引入自我注意力机制和通道注意力机制，IS和FID指标都有一定提高，符合真实图像的数据分布，能够有效地增加生成图像的多样性和真实性，为模型的训练提供丰富的数据资源。
(2)本文提出的CBAM-CapsNet模型结合卷积注意力机制和胶囊网络，表现出在处理复杂背景下保持目标空间层次关系方面的显著优势。CBAM-CapsNet模型的识别准确率高达95.3%，相比传统的卷积神经网络(CNN)和未改进的CapsNet模型，分别提升5%和3.2%，验证了CBAM-CapsNet模型在绝缘子状态识别方面的优越性能。
参考文献（略）
