基于 SSD目标检测的硬压板图像识别

为了减少变电站运维人员由于人为记录而导致硬压板状态误投退操作,本文提出了对传统SSD目标检测法进行改进,运用所改进的SSD网络模型对变电站中的硬压板图像进行识别,通过收集来的硬压板图片进行数据扩充、网络训练,得到能够识别硬压板状态的改进型SSD目标识别网络,最后通过验证集进行网路验证,结果证明了所提出的改进型SSD目标检测算法能够很好的识别硬压板状态,提高了变电站智能化水平.     

用于变电站保护压板状态识别的增强YOLO网络

为解决变电站保护压板识别环境复杂、前景与背景难以分割和小目标检测困难等问题,提出了增强YOLO算法用于变电站保护压板的状态识别。首先,提出了局部残差聚合模块,对堆叠的残差模块的局部残差特征进行聚合,加强复杂环境下的识别能力。然后,将空域注意力机制嵌入到残差模块中,利用空间信息解决前景与背景难以分割的问题。最后,提出交叉空间金字塔模块用于提取全局上下文信息。利用标注的数据集进行验证,实验结果表明,增强YOLO算法相较于改进前算法,保护压板的状态识别效果显著提高。     

基于图像融合的保护压板运行状态辨识方法研究

随着信息技术和智能化技术在电力系统的应用拓展,采用智能巡检机器人对变电站一、二次设备运行状态进行巡视逐步成为智能运检的趋势.提出了一种基于图像融合的保护压板运行状态辨识方法.基于OTSU阈值分割优化方法快速检测图像中的高光干扰;引入改进RANSAC算法完成多视角的图像特征匹配和求取最佳透视变换矩阵,利用辅助图像透视变换至主图像修复其中的高光区域;在图像修复的基础上通过对压板边缘检测的倾角来判断其运行状态.实验结果表明,所提抗干扰方法有助于更好地识别图像中压板的运行状态,辨识准确率可达93％.     

基于OpenCV+SSD深度学习模型的变电站压板状态智能识别

目前,变电站保护硬压板信息管理处于完全依赖于人工巡检的状态.伴随着人工智能上升为国家战略,深度学习技术进一步发展,提出一种基于OpenCV+SSD深度学习模型的压板状态识别方法.在图像二值化并高斯滤波基础上,基于霍夫直线检测算法进行保护屏柜角点检测,并通过透视变换实现压板图像矫正,从而避免拍摄图像的角度变化对识别结果的...     

基于改进YOLOv7模型的变电站异物入侵识别

针对无人值守的变电站频繁出现鸟巢、塑料袋等异物入侵的问题,现有的区域卷积神经网络(R-CNN)和YOLO算法不能满足实时、准确检测识别的要求。因此提出一种基于改进YOLOv7的图像识别方法。首先,利用灰度化处理和高斯噪声增强图片数据,然后在特征提取网络中增加分支以提高小目标的检测能力。在此基础上,采用卷积块注意模块(CBAM)分支注意力机制来加强通道数和空间自适应学习能力,并在输出路径上引入SimAM注意力机制,使其在不增加参数的情况下提高模型对异物特征的提取能力,最后通过某变电站实际监控图进行算法验证。结果表明改进后的YOLOv7异物识别平均精度均值(mAP)为94.40%,比原YOLOv7mAP提升了3.69%,比Faster R-CNN和SSD分别提高了17.46%和16.66%,可以做到对变电站异物的实时检测识别,所提方法具有较好的可行性和工程使用价值。     

基于注意力机制与特征平衡的变电站多目标检测

随着电网结构的日益复杂,变电站关键设备的运行状态对电网安全稳定运行的影响逐渐增强。针对变电站复杂背景下多目标识别以及相似目标识别困难的问题,该文提出了一种基于注意力机制与特征平衡的YOLO-AFB(youonly lookonce-attentionandfeaturebalance)网络。通过在Darknet-53网络中引入混合注意力加强对变电站相关目标的特征提取能力,在特征融合模块中加入反卷积来实现特征图的自适应上采样,提出特征平衡策略来缓解特征图语义信息差别,提高特征融合的质量。在含有9类目标的变电站数据集上进行测试,所提模型整体识别精度达到了83.02%,与经典目标检测网络对比,各类目标的检测精度均有大幅提升。同时互感器等相似目标的识别也得到明显改善,验证了特征平衡的策略可以很好地解决变电站中相似目标识别难的问题。     

基于改进SSD的输电线路销钉缺陷检测

销钉在输电线路中起着连接关键部件的重要作用,其缺陷直接引起部件变形、不稳定甚至造成电力停电事故.针对已有单发多盒探测器(single shot multibox detector,SSD)模型对输电线路复杂背景下销钉缺陷检测能力不足的问题,提出基于残差网络和多层级特征融合策略的改进SSD模型.首先,改进SSD网络结构,引入残差网络,增加浅层特征层,并将深层特征进行融合,替换SSD原特征层,以提升网络的鲁棒性,增强特征层的信息提取能力.其次,采用卷积拆分压缩网络参数量,采用权值量化减小模型部署占用空间.最后,通过实验对所提方法的有效性进行了验证.实验结果表明,该方法在输电线路销钉缺陷检测上召回率达到80％以上,较原SSD模型及其他目标检测算法具有明显提升.同时,该方法在其他输电线路小目标缺陷测试中,也取得了较好的效果.     

基于改进SSD的GIS多源局放模式识别

为了克服局部放电(partial discharge, PD)缺陷诊断中样本数量不足的困难,并解决传统模式识别算法无法有效识别多源局放的缺陷,文中提出了一种基于改进单阶段多框预测算法(single shot multi-box detector,SSD)的气体绝缘组合电器(gas insulated switchgear, GIS)多源局放谱图检测算法。首先,分析了多源局放的相位分布局部放电(phase resolve partial discharge, PRPD)谱图特征,搭建GIS实验平台并模拟了4种典型局放缺陷,采集样本数据并采用ACGAN算法进行样本扩充。然后,搭建了SSD网络模型,在特征提取网络中引入了空间与通道注意力机制。最后,利用实验室数据与某220 kV变电站收集的现场数据分别验证所提出算法的有效性。实验结果表明,提出的算法能够有效检测出复杂噪声下PRPD谱图中的多源局放特征,其实验室数据平均检测精度可达97.8%,现场数据平均检测精度可达91.6%。     

基于改进YOLOv5算法绝缘子缺陷检测研究

针对目前无人机巡检中绝缘子缺陷检测的目标算法识别精度不高的问题,提出了一种改进的YOLOv5算法,该方法将注意力机制融入YOLOv5s算法中获取更多细节特征,采用BiFPN替换原本的特征金字塔结构,并用改进的损失函数和非极大值抑制提升检测精度。实验结果证明,相比于传统算法,改进算法的检测平均精度和召回率分别为96.6%和97.1%,检测速度FPS达到了28.5,满足输电线路绝缘子缺陷检测准确性、轻量性及鲁棒性要求。     

继电保护压板状态识别嵌入式智能设备的应用

设计一种结合工业高清照相机、嵌入式单元和Mobile Net算法的嵌入式设备,实现对变电站继电保护压板状态的智能识别,对继电保护压板状态识别的准确率更高,对单张继电保护压板屏柜图像中多个压板的状态识别平均耗时更短,可提高变电站继电保护压板巡视的效率和智能化水平.     

基于 MBDC 和双重注意力的变电站人员穿戴检测

安全帽与工作服是变电站工作人员安全的重要保障,为解决现有检测模型对其检测精度低的问题,本文提出了MBDC和双重注意力的变电站人员穿戴检测算法。该算法提出了多分支深度卷积(multi branch deep convolution, MBDC)网络增加深度可分离卷积层以增强特征提取的完备性;然后提出多通道交互注意力(multimodal interaction attention, MIA)增加模型对小目标的检测能力,并将MIA机制结合高效通道注意力(efficient channel attention, ECA)机制构成双重注意力机制,增强模型对于小目标和遮挡目标的识别精度;最后引入焦点损失函数和SIOU(scylla intersection over union)作为损失函数以解决正负样本不平衡问题并加快收敛速度。实验表明,本文算法全类平均精度达到84.88%,比原算法高9.92%,总体性能优于对比算法。     

基于改进Faster-RCNN的输电线路巡检图像检测

针对传统输电线路目标巡检图像识别方法响应速度慢,准确率不高的问题,提出一种改进Faster-RCNN深度学习识别算法。文中通过卷积神经网络ZFnet提取图像特征,并重置模型参数以获取更多目标细节;利用Faster-RCNN对目标进行检测,由子网络区域提议模型生成目标候选框和子网络Fast-RCNN进行参数调优,并在Faster-RCNN网络输出部分引入精炼阶段,增加目标特征的分类细化和回归细化,将存在目标的多个边界框合并,实现精确分类以及坐标定位。实验结果表明：改进Faster-RCNN算法可有效识别线路设备及设备缺陷,总体识别率达到93.5%,响应时间在1s内。与图像识别法或SSD、YOLO深度学习法相比,所提算法提高了电力设备的识别精度与响应速度,在输电线路智能巡检中具有一定的优越性。     

基于Faster R-CNN算法的变电站 设备识别与缺陷检测技术研究

变电站作为电力运输的中转站,是城市运转,人民生活的重要基础设施。变电站在运行过程中,经常发生由于位置偏僻,不支持机器人和无人机直接进行探测而造成的设备运作温度检测不及时的问题。传统的变电站设备缺陷识别算法是基于机器学习算法,精确度低,只适合单个设备类别的缺陷检测,易受到环境影响。基于此,文中出一种改进的识别变电站设备红外缺陷方法。首先,基于Faster R-CNN的目标设备检测,对6种类型的变电站设备包括套管、绝缘体、电线、电压互感器、避雷针和断路器进行目标检测,以实现设备的精确定位;然后,基于稀疏表示分类（SRC）来识别不同的类,因此可以获得输入样本的实际标签;最后,基于温度阈值判别式算法,在设备区域中识别温度异常缺陷。文中算法实现了在红外线图像下的设备识别和检测,使用文中算法对6类设备的红外图像进行检测,准确率达到91.58%,不同类型设备的缺陷识别率为97.63%,缺陷识别准确率达到87.62%。实验结果表明该方法的有效性和准确性。     

基于改进的SSD模型手机违规使用目标检测

针对某些对手机使用有特殊规定的场所时常面临难以准确、高效地识别手机违规使用的问题,提出了一种基于改进的SSD模型来检测手机的违规使用。利用SSD模型获取初次目标位置及区域分类,并利用改进的DenseNet模型对初次目标框进行判定,从而获得精确的手机检测边界框。为改进数据预处理流程,采用了数据扩增与图像质量改善相结合的策略。在自建的手机检测数据集上的实验结果验证了这些改进策略的有效性,改进的SSD模型定位精度可达91.1%,识别精度高达98%,相比原有SSD模型提升了35%。改进的SSD模型同时具有识别精度高和定位精度高的特点,可为智能识别违规使用手机的行为提供理论依据和技术支持。     

基于多层注意力机制的4DC-BGRU脑电情感识别

为了提高脑电情感识别的准确率，提取更丰富的特征信息，提升网络模型稳定性，提出一种改进的基于多层注意力机制的脑电情感识别模型。在特征提取方面，将原始脑电信号转换成四维空间 频谱 时间结构，提取丰富的脑电信息。在网络模型方面，构建双路卷积神经网络学习空间及频率信息，有效提取多尺度特征，增加网络宽度来学习更丰富的特征信息；在卷积层及池化层后融入批量归一化层，防止过拟合。最后，构建多层注意力机制 双向门控循环单元模块处理时间特征并配合Softmax分类。采用双向门控循环单元学习更全面的上下级特征信息。利用多层注意力机制使四维特征中不同时间切片与整体时间切片之间产生关联。该文在DEAP数据集唤醒度和效价两个维度进行了评估实验，二分类平均准确率分别为96.38%和96.73%，四分类平均准确率为93.78%。实验结果显示，与单路卷积神经网络及其他文献算法相比，该文算法的平均准确率有所提高，表明该算法可以有效提升脑电情感识别性能。     

基于可变形卷积改进SSD算法的目标检测方法

为了提高传统SSD算法对小目标检测的准确率,提出一种改进的SSD目标检测算法:采用基于可变形卷积的ResNet50作为SSD算法的特征提取网络,提高对目标的处理能力;设计特征金字塔(FPN)来融合不同层的特征图,丰富浅层特征图的语义信息;在特征融合时引入通道注意机制,提取相应的通道权重,增加重要信息的比例,提高检测效果。最后采用PASCAL-VOC2007开源数据集进行仿真实验,并与传统SSD目标检测算法进行对比,准确率得到显著提高,验证了该算法对小目标检测的有效性。     

基于改进SSD的变压器套管红外图像油位智能识别方法

为解决现有基于红外图像识别变压器套管油位存在的过于依赖温度信息、人工处理效率低下等问题,文中结合目标检测技术提出了一种基于改进单次检测器(SSD)的套管智能油位识别方法。通过引入SSD目标检测方法,检测红外图像中的套管区域,加入损失函数以改进SSD算法从而提高套管检测准确率,并进一步通过简单线性迭代聚类(SLIC)的应用实现了不依赖红外图像温度信息的油位检测。对比文中提出的基于红外图像的油位识别算法检测结果与人工油位检测结果,表明文中提出的算法不仅在效率上领先于传统的温度检测方式,且其误差较小,仅为0.08%。对比结果验证了所提算法在保证检测精度的情况下可大幅度提高检测效率,有效提升套管故障诊断效率和智能化水平。     

基于WiFi信号的老年人家居行为识别算法

针对老年人家居行为识别中的隐私保护、跌倒检测和识别率低的问题，本文提出了一种新的基于WiFi信号的人体行为识别算法。首先，在模拟家居环境中自主采集了10种老年人日常行为(喝水、跌倒、坐-躺下等);然后对提取到的WiFi信道状态信息用巴特沃斯滤波器降噪，并使用主成分分析方法数据降维；最后将处理后有清晰特征的CSI信号输入到基于注意力的双向长短时记忆模型用于行为分类，高效的双向结构和注意力机制不仅产生了信息更丰富的特征，还提高了行为识别的泛化性能。实验结果表明，与一些基准方法相比，本文算法在公共数据集和自主采集的数据集上都能实现对所有行为的最佳识别性能，准确率分别为98%和96%。     

基于PSO-KNN的变电站设备三维点云识别方法研究

针对传统的三维重建方法因数据缺失而造成的精度差、效率低等问题,在三维激光扫描点云的基础上,提出了一种将粒子群优化算法和k-近邻分类算法相结合的变电站设备三维点云识别方法。通过粒子群优化算法对各子空间特征的系数权重进行优化,k-近邻分类算法完成分类。通过实验分析点云子空间的大小和丢失率对识别效果的影响,并与改进的迭代最近点算法进行比较,验证该方法的优越性和准确性。实验结果表明,该方法具有较好的识别准确率和效率,识别准确率达到95%以上,平均识别时间为0.19 s,具有一定的应用价值。