| 摘 要： | 变电设备智能化巡检能有效提升电力网运营成本、提升电网运行效率。为解决当下计算机视觉只能巡检中存在缺陷检测稳定性差、泛化能力弱的问题,将Cycle GAN图像迁移算法与改进YOLOv5缺陷检测算法融合,通过扩充多时相巡检图像数据集,提升变电设备缺陷检测模型的鲁棒性。首先采用像素加权平均灰度化与邻域中值替代滤波处理,提升图像风格可迁移的适应性;然后利用Cycle GAN网络,在优化损失函数的基础上,基于S2W季节数据集优化迁移扩充PISE变电设备巡检数据集,提高数据图像的多时相性能;接着引入了可插入式CBAM结构块和自适应锚点框结构,优化传统的YOLOv5网络,提升微型变电设备缺陷检测性能;最后基于S2W-PISE多时相变电设备巡检数据集,训练构建改进YOLOv5变电设备缺陷检测模型。多时相变电设备缺陷检测仿真结果显示,与R-CNN、NMS和SSD三类传统变电设备缺陷检测模型相比,在S2W-PISE数据集与缺陷检测评价系统中,改进YOLOv5模型的P参数指标平均提升了5.79%,R参数指标平均提升了5.80%,即具有最高的缺陷检测精度与稳度,同时改进模型具有最优的综合性与鲁棒性。综上所述,改进YOLOv5变电设备巡检图像缺陷检测算法在电网智能化发展中具有重要的仿真价值。
|
