基于YOLOv5s的轻量化架空输电线路鸟巢检测网络

架空输电线路上的鸟巢侵占会对铁塔上的电力设备造成安全隐患,间接可能影响整个电力系统的稳定运行。针对目前架空输电线路鸟巢检测模型在复杂场景以及小目标场景下检测精度不高,检测效率低,模型复杂等问题。本研究提出一种基于YOLOv5s框架的轻量化架空输电线路鸟巢检测网络。首先在主干部分采用Fasternet重构YOLOv5s特征提取网络,降低模型复杂度,提高运行速度;然后在特征融合网络部分嵌入ConvMixer层,ConvMixer层的结构设计有助于在特征信息中更好的捕捉空间和通道的关系,提升模型对于小目标的检测能力;最后在特征融合网络部分引入ODConv模块,令送入检测头的特征图包含更多有效特征,提高模型对复杂场景和小目标的检测性能。实验结果表明,本文与基线模型YOLOv5s相比,计算量和模型体积分别减少了86%和72%,平均精度均值达到96.4%,检测速度达到104.2帧/s,验证了本文改进模型的有效性和可行性。     

基于改进YOLOv5s的输电线路异物检测*

针对输电线路背景复杂导致异物检测性能不高的问题,提出一种基于改进YOLOv5s的输电线路异物检测方法。该方法引入CBAM注意力机制并构建了基于Transformer架构的C3TR层,增强了模型筛选关键特征的能力;然后使用动态的WIoU v3函数作为改进方法的损失函数,解决模型检测精度下降的问题。利用输电线路异物数据集进行训练和测试,结果表明改进后的模型在各项检测性能均有提升,具有较好的检测精度和泛化能力,能满足输电线路异物检测的应用要求。     

基于改进 YOLOv5s 的电力作业人员安全帽 检测算法研究

传统的电力施工现场安全帽检测算法的网络计算复杂度高、在复杂场景下对于远处目标和密集群体存在漏检等问题,提出一种改进后的轻量化YOLOv5s-GCAE算法,主干网络首先用GhostNet网络中的深度可分离卷积GhostConv,以此降低网络的计算量和参数量。其次在特征提取阶段中嵌入CA注意力机制,填补了引入轻量化网络时精度的缺失。引入自适应空间特征融合(ASFF)网络以有效融合多尺度特征,提高模型丰富的语义特征表示使网络更好的适应复杂的电力施工现场。最后引入损失函数EIOU,促使网络专注于高质量的锚点以提升在复杂场景下安全帽检测精度。构建了一个包含开源图片和自行收集的图片共9 326张的安全帽佩戴检测数据集。实验结果表明,该算法的安全帽检测准确率为93.4%,比YOLOv5s算法高2.1%,符合电力场景下安全帽检测的精度要求。     

基于改进YOLOv3的输电线路部件实时检测

针对基于深度学习的目标检测技术应用于工业领域无法在移动端嵌入式设备上实现高效且准确的检测这一问题,提出一种基于YOLOv3改进的输电线路部件实时检测算法轻量级特征融合检测模型LFF-DM(Lightweight Feature Fusion Detection Model)。一方面通过改进式的k-means算法得到聚类结果;另一方面结合深度可分离卷积和倒残差块设计出轻量化的网络结构。通过在自建的包含绝缘子、悬垂线夹、防震锤、鸟巢与导地线的专业巡检数据集上进行实验,结果表明在NVIDIA Jetson AGX Xavier设备上可以实现25FPS的检测速度及90.48%mAP的检测精度,适用于输电线路移动端实时精确巡检。     

基于注意力机制的YOLOv4输电线路故障检测算法

为了提高光学图像输电线路故障检测的准确率,提出了一种基于注意力机制的YOLOv4检测算法.为了提升图像故障区域的特征表达能力,因此将注意力机制嵌入到跨阶段局部黑暗网络(CSPDarknet)的每一个跨阶段局部残差连接模块(CSPD)层中的最后一层Shortcut层之后,得到高效通道空间注意力机制(ECSA)结合YOLO...     

基于改进YOLOv7的实时输电导线缺陷检测方法

输电导线是电力系统中重要的组成部分,输电导线缺陷将影响电力系统运行。因此提出了基于改进YOLOv7算法的输电导线缺陷检测方法。首先,提出了一种自动扩充数据集的方法,可以使用少量图片建立输电导线缺陷数据集;其次,提出了一种轻量化自注意力主干网络,对YOLOv7的主干网络进行替换,并使用BiFPN进行特征融合。实验结果表明：所提出的改进后的YOLOv7算法将精准度从原本89.4%提升到97.5%;同时,算法将检测速度提升了约60.49%,FPS从原有的52.36帧提升至84.03帧,可以做到对输电线路的实时检测,降低了输电导线缺陷的误检漏检率,提升了检测速度,提高了巡检效率。     

基于改进YOLOv5的轻量化绝缘子缺陷检测算法

无人机巡检已经成为当下输电线路巡检的主流方式,绝缘子缺陷的检测是无人机巡检中的重要环节。因此,提出了一种基于改进YOLOv5的轻量化绝缘子缺陷检测算法。首先,使用轻量型的Ghost卷积代替普通卷积;然后,使用重复加权BiFPN（双向特征金字塔网络）替换原特征提取网络,提高网络对不同尺度的特征提取能力;最后,引入CA（坐标注意力机制）提高了主干特征提取效率。实验结果表明,绝缘子检测的平均精度值提升了1.7个百分点,模型大小减少了13.1%,改进后的算法模型在提升检测精度的同时更加轻量化,可实现绝缘子缺陷的快速检测。     

基于改进YOLOv5的输电线路绝缘子 识别方法

针对输电线路绝缘子识别准确率低、识别花费时间长的问题,提出一种改进的YOLOv5绝缘子识别方法。首先,通过引入超分辨率卷积网络提升数据集中图像样本质量;其次,通过引入k3-Ghost结构替换原始网络BCSP模块中的普通卷积,减少模型主干网络参数量,在主干网络尾部引入SENet注意力模块,加强模型对于通道信息的关注提升目标检测性能;在颈部网络引入DC-BiFPN结构替换原始结构,对不同尺度特征赋予不同权重以使多尺度特征进行更好的融合,提升绝缘子识别效果。最后,使用CIOU作为回归损失函数,加快网络收敛速度。实验结果表明：本文提出的方法在保证绝缘子识别准确率的同时拥有更高的识别速度,检测准确率达到89.5%,检测速度达到35.7FPS,验证了改进方法的有效性。     

基于USRNet与改进YOLOv5x的输电线路绝缘子故障检测方法

针对无人机输电线路巡检图像的复杂背景目标检测失准、故障小目标难以被准确检测的问题,提出一种基于深度展开超分网络(deep unfolding super-resolution network,USRNet)与改进YOLOv5x算法的输电线路绝缘子故障检测方法。首先,使用USRNet对原始图像进行超分辨率重建,以降低复杂背景干扰实现测试数据集优化;然后,以YOLOv5x检测模型为基础,利用K-means++对标记框进行聚类,生成匹配输电线路故障目标尺寸的锚框;同时,通过更改多尺度特征融合模块结构,在预测端引入一个包含更大特征图的检测头以检测故障小目标;最后,使用有效交并比损失(efficient intersection over union loss, EIOU＿Loss)函数优化模型整体性能,并设置对比实验对所提方法进行验证。结果表明,所提方法的均值平均精度(mean average precision, mAP)值达到98.8%,可使输电线路故障检测精度提高到95.4%,从而具有更好的复杂背景目标以及小目标检测性能。     

改进YOLOv5s的复杂交通场景下目标检测算法

针对在实际的交通道路目标检测中,存在着小目标检测精度低,遮挡目标容易出现漏检误检等问题,提出了一种改进的YOLOv5s道路目标检测算法YOLOv5s-OEAG。将YOLOv5s的标签分配策略更换为效率更高的OTA标签分配策略,提高模型的检测精度与泛化能力;提出了一种轻量化的解耦预测头对不同尺寸的特征层进行分类任务与回归任务的解耦,提高模型对道路中小目标的检测能力;将原始模型中的最近邻插值上采样模块替换为轻量级通用上采样CARAFE模块,有助于更好地保留图像中的细节信息,提高模型的精度;提出了一种新的C3模块GMC3,在减小模型计算量的同时提高模型捕获特征的能力;为了提高模型的泛化能力,对KITTI数据集进行了扩充,增加了小目标的数量。实验结果表明,改进后的模型在经过扩充后的KITTI数据集的mAP达到了90.4%,比原始模型的精度提高了2.8%;FPS为75,满足实时性的要求,在一定程度上提高了对复杂交通场景的适应能力。     

改进 YOLOv5s 的风力涡轮机表面缺陷检测

针对传统方式检测风力涡轮机表面缺陷时出现的精度不足、泛化性较差问题,提出了一种改进YOLOv5s的风力涡轮机表面缺陷检测模型。在网络结构方面,首先在主干特征提取网络引入改进的MobileNetv3网络,用于协调并平衡模型的轻量化和精度关系;其次采用BiFPN式的融合方式,增强神经网络的多尺度适应能力,提高融合速度和效率;最后为轻量化的自适应调节特征权重,运用ECAnet通道注意力机制,进一步提高神经网络的特征提取能力。在损失函数方面,将边框回归的损失函数修改为αIoU Loss,进一步提升了bbox回归精度。实验结果表明,基于YOLOv5s的改进算法可以在复杂环境下快速准确地识别风机表面的缺陷目标,能够满足实时目标检测的实际应用需求。     

面向配电网故障快速处理的边缘计算单元优化配置方法

随着配电网自动化水平不断提高,感知终端数目和接入数据量激增,数据传输慢、信息漏报误报等问题严重影响了故障处理速度和准确性.边缘计算可就地高效地快速处理数据并决策.为此,提出一种面向配电网故障快速处理的边缘计算单元优化配置方法,包括体系架构、边缘生成、划分方法等内容.首先以经济性、通信实时性指标构造目标函数,可靠性及系统...     

基于改进YOLOv3的输电线路缺陷识别方法

为解决在无人机巡检输电线路现场中出现的图像识别算法对硬件要求高、计算耗时长,训练集图片较少且复杂多变等问题,提出了一种基于改进YOLOv3算法的输电线路缺陷检测方法。提出了在YOLOv3原基本框架下加入空间金字塔池化(spatial pyramid pooling,SPP)模块的方法,使得该算法能在同一层内提取多尺度深度特征,以适应巡检现场输入尺寸不同、复杂多变的图片检测;提出了对添加了SPP模块的YOLOv3进行通道减少、框架瘦身的剪枝处理方法,以优化YOLOv3的轻量化性能,降低对巡检时车载服务器的硬件要求、减少计算时长。使用数量较少的输电线路缺陷图像数据集对该改进算法进行验证。测试结果表明,改进的模型对硬件依赖性较小,检测精度几乎不变,平均每步迭代时间减少了0.81 s,整体性能提升25%。     

基于边缘计算与深度学习的输电设备异物检测方法

在输电设备上经常会出现各种异物,如鸟巢、塑料袋,如果不能及时发现并清理将会对输电系统造成很大的安全隐患。因此,及时对输电设备是否有异物进行检测非常必要。针对该问题,提出了一种基于边缘计算和深度学习的异物检测方法。该方法与现有利用无人机拍摄传回云端服务器计算方法不同,通过将检测计算下沉到边缘设备,使用Mobilenet加上优化后SSD的目标检测方法在边缘设备直接处理计算,将检测出异物的图像发回云端。该方法在CPU上的运行速度是基于VGG（目视图像生成器）的SSD方法的5倍左右,是Faster-RCNN的58倍左右;在模型大小上是基于VGG的SSD方法的2/9左右,是Faster-RCNN的2/49左右,精确度为89%;与直接将数据传回云端服务器再进行处理的方式相比,数据传输量减少约90%。该方法不仅满足实时性,还具有可靠的效果,基于该方法的系统已经得到实际部署。     

融合YOLOv5s与SRGAN的实时隧道火灾检测

针对传统隧道火灾检测方法速度慢、误检率高的问题,提出了一种基于 YOLOv5s 的实时火焰检测算法,采用 K-means 重新计算锚框尺寸。 本文提出的 YOLOv5s-SRGAN 融合算法,在 1 326 幅隧道火焰图像中的召回率为 94%,是 YOLOv5s 的 1. 7 倍。 引入了 CBAM 注意力机制模块和梯度均衡机制,分别通过特征提取网络和损失函数提升模型的性能。 与原 YOLOv5s 相 比,火焰检测的平均正确率(IOU= 0. 5)提高了 44%,测试集平均检测速度为 32 FPS。 结果表明,改进后的火焰检测算法对小火 焰目标有了更好的识别效果。     

基于关联维分析法的高压输电线故障检测与分类

基于关联维分析法研究了高压输电线路故障的检测与分类问题,利用Grassberger-Procaccia和最小二乘回归算法,分别计算高压输电线路各相电压行波的关联维数,并与事先分析确定的关联维门限值比较,判断故障是否发生及发生在何相,然后以接地评价指标对故障相进行接地检测,实现了对高压输电线路故障的检测和初步分类。仿真结果表明,关联维分析方法应用在高压输电线路故障诊断中是可行的。     

一种配电网线-缆混合线路故障选线新方法

城市配电网中线—缆混合线路的应用广泛。针对配电网发生单相接地故障时线—缆混合线路暂态电容电流较大的特点,提出一种基于小波包分解的故障选线相关分析新方法。应用小波包良好的频域分频特性,以适当频率带宽对配电网发生单相接地故障后各条线路的暂态零序电流进行分解,得到其在不同频段的输出。按能量最大的观点确定特征频段,并根据故障线路与健全线路的暂态电容电流在特征频段的相似性最弱的原理,通过对特征频段的小波包分解系数进行相关分析实现故障选线。理论分析和仿真结果表明,对于线—缆混合线路,该方法选线准确、可靠。     

输电线路分布式行波检测的故障定位方法

提出了一种基于输电线路分布式行波检测装置的故障定位方法。利用沿线分布安装的两套基于Ro-gowski线圈的行波检测装置,采集高频故障行波,运用相模变换和小波变换模极大值法检测线模行波波头,准确定位波头到达时间。各装置通过无线通信网络将波头到达时间回传主站,主站综合利用不同的波头时差信息,在线测量实时行波波速,可精确定位单条输电线路的故障。仿真结果表明,该方法具有较高的测距精度和可靠性。     

一种基于新的相模变换矩阵的输电线路故障测距改进算法

针对已有电力系统行波故障测距算法中采用的相模变换、小波变换存在的不足,提出了一种结合新的相模变换矩阵和提升小波的行波故障测距改进算法,实现了单一模量反映所有故障类型,简化了高频小波系数的计算,提高了计算速度。通过Matlab仿真实验,验证了与普通小波测距相比,算法具有较高的测距精度。