编辑推荐：
针对现有深度学习振动阻尼器缺陷检测模型泛化能力不足问题，研究人员提出单领域泛化（DG）方法，以几何结构特征为领域不变特征（DIF），结合多尺度对比学习（MCL）与多形态相似性度量学习（MSM）。实验表明该方法 DG 平均精度达 68.6%，为复杂电力场景应用提供新路径。
在电力系统运行中，输电线路组件长期暴露于复杂环境，振动阻尼器作为核心部件，易出现锤头缺失、倾斜等缺陷，严重威胁电网安全。当前基于深度学习的检测模型虽在特定场景表现优异，但面对地理区域、天气、光照等差异较大的非训练场景数据时，泛化能力不足，检测性能显著下降。传统数据增强方法受限于电力场景数据保密性和缺陷数据稀缺性，难以覆盖所有测试数据分布，因此亟需更有效的泛化方法提升模型在复杂电力场景中的适用性。
为解决上述问题，国内研究人员开展了振动阻尼器缺陷检测的单领域泛化方法研究。该研究成果发表在《Engineering Applications of Artificial Intelligence》，旨在通过整合电力行业领域知识与目标检测模型，增强模型对不同场景的适应性，实现 “一次训练，随处应用” 的目标。
研究主要采用以下关键技术方法：
- 几何结构特征提取：分析振动阻尼器缺陷的结构和形态特征，选取几何结构特征作为领域不变特征（DIF），通过三维（3D）建模生成人工样本引导模型训练。
- 多尺度对比学习（MCL）：在特征提取阶段引入 MCL 损失，引导模型提取跨尺度的几何不变特征。
- 多形态相似性度量学习（MSM）：在候选框处理阶段采用 MSM 损失，确保缺陷特征的一致性表达。
研究结果
振动阻尼器缺陷检测现状与挑战
现有模型聚焦独立同分布样本下的性能提升，忽视泛化能力，导致在非训练场景中检测性能下降。数据增强受限于电力场景数据特性，而单领域泛化（DG）无需目标域数据，更适用于电力场景数据隐私与稀缺性问题。
单领域泛化方法构建
提出结合几何结构特征的单 DG 方法，通过 3D 建模生成具有明确几何结构的人工缺陷样本，提取领域知识。设计多尺度几何特征提取模块（MGFE）和缺陷特征一致性表达模块（DFCE），分别集成 MCL 与 MSM 损失，实现领域不变特征的有效学习与缺陷特征的一致表达。
实验验证与性能评估
实验数据集来源于多地区电网公司的无人机巡检图像，包含不同天气、光照条件及拍摄角度的样本。结果表明，该方法在多个目标域的平均 DG 精度达 68.6%，敏感性仅为 0.219，显著优于先进目标检测模型，验证了方法在跨场景检测中的有效性。
研究结论与意义
该研究首次将单 DG 应用于输电线路组件缺陷检测，构建了 “领域知识 + 单源电力数据” 的模型训练模式，降低了数据需求与训练成本。通过几何结构特征引导和双重损失函数设计，提升了模型的泛化能力与可解释性，为复杂电力场景下的智能巡检提供了 “数据 + 知识 + 模型” 驱动的新范式，推动了电力行业智能化发展。研究提出的平均精度和敏感性评估指标，为输电线路场景的模型泛化能力评价提供了更可靠的依据，具有重要的工程应用价值与学术参考意义。
