基于深度学习的目标检测算法综述

传统的目标检测算法及策略已经难以满足目标检测中数据处理的效率、性能、速度和智能化等各个方面要求.深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理,具有强大的视觉目标检测能力,成为了当前目标检测的主流算法.首先回顾了传统目标检测的发展以及存在的问题;其次介绍以R-CNN为代表的结合region proposal和卷积神经网络(CNN)分类的目标检测框架(R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN);然后介绍以YOLO算法为代表的将目标检测转换为回归问题的目标检测框架(YOLO、SSD);最后对深度学习的目标检测算法存在的问题做出总结,以及未来的发展方向.     

深度学习在输电线路短路故障辨识的应用研究

随着分布式故障测距技术的快速发展,输电线路故障行波数据量呈现指数性增长,传统的短路故障辨识研究方法效率低下。为此,以典型的雷击故障（绕击和反击）和非雷击故障图像库为基础,提出一种基于深度学习的短路故障辨识方法,对行波数据的时域信息进行特征识别,以波头和波尾为输入量,构建输电线路短路故障辨识模型。该方法为电力公司输电线路运维提供了理论依据。     

基于深度学习的架空输电导线缺陷检测方法研究

无人机巡检图像中,架空输电导线断股、表面磨损等缺陷存在人工复检效率低、误检漏检率高的问题,为此提出了一种基于深度学习的架空输电导线缺陷智能检测方法。该方法以Unet为基础网络,结合迁移学习的思想,将VGG16(visual geometry group,16 weight layers)作为主干特征提取网络,并且将VGG16在ImageNet数据集上训练的权重作为预训练权重,以增强训练效果;然后将网络中的普通卷积用深度可分离卷积代替,有效地减少了网络的参数量;最后引入轻量级的高效通道注意力模块(efficient channel attention,ECA),实现不降维的局部跨信道交互策略,突出重要特征的同时克服了性能和复杂性之间的矛盾。在自建的输电导线缺陷数据集上,对方法进行了功能与性能测试,实验结果表明所提方法在导线断股检测上的准确率达到89.81%,在表面擦痕检测上的准确率达到90.86%,在表面刮损检测上的准确率达到93.58%,平均交并比(mean intersection over union,MIoU)值为86.12%,单张检测速度相对于Unet网络提升了8倍左右,提高了...     

基于深度学习的旋转目标检测方法研究进展

在遥感和场景文本图像中,目标具有方向多样性和尺度变化较大等特点,使得常见目标检测方法在这两场景中检测效果不佳,针对此问题,诞生了许多专门设计的检测方法。将朝向角度信息融入候选区域生成网络或设计专门的方向角度预测网络,是目前有朝向目标检测研究的主流方法,其对遥感和场景文本图像检测具有重要意义。本文综述了旋转目标检测在遥感和场景文本两场景中的研究现状,根据有无锚框将当前基于深度学习的旋转目标检测方法分为基于锚框的一阶段方法、基于锚框的二阶段方法和无锚框方法三类方法进行归纳分析,并从优缺点、骨干网络和适用场景等方面进行了对比。最后,对旋转目标检测方法的发展前景和研究方向进行了展望。     

基于深度-迁移学习的输电线路故障选相模型及其可迁移性研究

为提高输电线路故障诊断模型的可迁移性,根据迁移学习理论将输电线路分为源线路和目标线路,提出一种基于深度-迁移学习的输电线路故障类型识别方法。通过组合不同故障条件,生成输电线路故障期间的时序数据,并通过对数据的预处理,得到面向卷积神经网络的输入数据样本;利用源域数据对初始卷积神经网络进行预训练,获取适用于源线路故障类型识别的预训练模型;采用最大均值差异法对源线路和目标线路进行相似性检验,筛选出待迁移的源域预训练模型;利用目标域数据对预训练模型进行微调迁移训练,获取最终的目标域故障诊断模型。仿真结果表明,利用源域数据量5 %的目标域数据对预训练模型进行微调迁移训练,得到的目标域模型对目标线路故障诊断的准确率达99 %以上。     

基于深度学习的输电线路螺栓检测技术

输电线路螺栓缺陷检测对电力系统安全可靠运行具有重要意义,但螺栓在巡检图像中具有特征不明显、尺寸小的特点,这给螺栓检测研究带来了一定挑战.随着直升机、无人机巡检技术和边缘计算的发展,传统巡检图像处理方法已满足不了实时检测的需求.针对上述问题,提出一种基于深度学习的输电线路螺栓检测系统.采用分级检测原则,首先利用SSD(s...     

深度学习在输电线路工程验收智能缺陷识别中的应用

输电线路项目工程验收是工程建设过程中关键阶段之一,同时也是最后检验工程建设是否符合施工质量和设计指标的重要环节之一,输电线路工程覆盖面广风险因素复杂,因此输电线路工程的验收工作对电网的可靠稳定及安全有着重大意义,验收的工作效率及水平也关系到工程是否能按进度投产及减少运行单位巡检维护该项目的成本。针对如何提高输电线路工程验收工作效率、保证验收质量,提出了无人机立体智能验收应用平台,针对人工识别缺陷图像工作量大、效率低等问题,在输电线路工程验收缺陷识别模块中引入了深度学习技术,通过整合优化的R-FCN(Region-based Fully Convolutional Network)图像识别算法来对采集图像进行学习识别,实验证明该算法对常见典型缺陷如绝缘子自爆、异物鸟巢等准确率平均达到了90%,基本达到实用化水平,大大提高了验收图像缺陷识别的效率,提升了验收工作效率,保证了验收质量和准确度,在降低用人成本的同时实现线路工程验收智能化。     

深度学习目标检测算法在架空输电线路绝缘子缺陷检测中的应用研究综述

传统架空输电线路绝缘子缺陷检测一般通过人工巡检方式进行。架空输电线路的数量增长使巡检规模更加庞大、巡检环境更加复杂,放大了传统绝缘子缺陷检测方法人力成本高、检测效率低的不足。无人机(unmanned aerial vehicle, UAV)等新型巡线方式依靠深度学习目标检测算法识别架空输电线路绝缘子缺陷,能够有效应对人工巡检的不足,是绝缘子缺陷检测的发展趋势。鉴于此,围绕架空输电线路绝缘子缺陷检测场景,首先梳理常用的深度学习目标检测算法,比较不同算法的检测策略、检测精度与检测速度;然后结合云–边–端协同架构说明算法的改进需求与相应改进方法;最后针对现有绝缘子检测方面的不足,展望了输电线路绝缘子中多类型缺陷的识别问题,并在这一研究趋势下进一步探讨了模型边缘端轻量化与针对小样本数据下的算法研究价值。     

深度学习及其在电机控制中的研究现状与展望

状态观测器、卡尔曼滤波器等传统观测器由于应用范围的局限性,自身结构的缺陷性,会使电机控制系统的设计变复杂,观测精度降低,观测范围受限等。深度学习具有非线性拟合能力和泛化能力好以及特征提取能力强等优点。以深度学习观测器为主线,阐述了其应用到电机控制系统中的优势,以四种典型网络为例介绍了深度学习的原理和结构,列举并重点分析了深度学习在电机控制中的应用,对未来深度学习在电机观测器控制中的发展方向进行了展望。     

基于深度强化学习的两阶段显著性目标检测

为提高复杂场景下的显著性目标检测速度和精度,提出了一种基于深度强化学习的两阶段显著性目标检测方法.该算法由显著性区域定位网络(salient region localization network,SRLN)和显著性目标分割网络(salient object segmentation network,SOSN)组成,分...     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于深度迁移学习的输电线路涉鸟故障危害鸟种图像识别

为了实现输电线路涉鸟故障的差异化防治,提出一种基于深度迁移学习的危害鸟种图像识别方法.根据历史涉鸟故障的鸟种信息及输电走廊周边鸟种调查结果,建立88种相关鸟类图像数据集,采用类激活映射进行图像预处理,滤除复杂背景噪声.基于迁移学习的思想,首先利用AlexNet、VGG16、ResNet50、Inception V3这4...     

基于小波和深度学习的配电网单相接地故障辨识

随着配电网规模的不断扩大,发生单相接地故障后产生的危害也愈加严重,为避免故障进一步升级,必须迅速采取措施切除故障.配电网故障辨识有利于快速查明故障原因,进而采取相应措施切除故障.同时,故障辨识也是故障选线的前提.针对上述情况,文中介绍了一种利用小波分析提取故障特征量并用深度神经网络进行故障辨识的方法.结果 表明,该方法...     

基于深度学习和无人机图像的架空线路缺陷巡检综述

架空输电线路巡检是电网运维工作的一项重要内容,运维人员利用无人机进行线路巡视检测已成为电力巡检工作中的重要手段。本研究首先概述了无人机巡检任务中人机协同作业系统以及无人机智能自主作业系统的架构;其次,分析了当前架空输电线路缺陷巡检领域数据集状况以及数据扩增技术;然后,综述了基于深度学习的无人机图像缺陷检测典型方法以及评价指标,并对比总结了各种方法的优缺点;随后,讨论了无人机图像视觉检测方法中图像采集规范、数据集形式、缺陷检测算法专业化应用等对架空线路缺陷检测效果,指出了图像检测指标和类别定义在电力巡检专业化领域中的不足;最后,探讨了基于深度学习的无人机图像缺陷巡检任务的未来发展方向。     

基于深度学习的目标检测算法在电力巡检上的应用综述

面向电力巡检的目标检测是指对无人机采集到的图像进行分析,检测电力线路中的部分缺陷,从而对线路及时检修,保证电力系统能正常工作。基于深度学习的目标检测算法能高效处理大量的图片数据,其处理结果能应用于电力目标的故障诊断等任务,且众多算法的检测精度和速度都优于传统人工设计的机器学习方法。本文对基于深度学习的目标检测算法在电力巡检上的应用进行了较为全面的综述,并对比分析各种算法的优缺点,总结电力巡检领域的发展现状,还讨论了目标检测算法的未来发展趋势以及应用在电力巡检领域所面临的挑战。     

基于深度学习模型小型化技术的输电线路智能巡检研究与应用

为了解决目前输电线路智能巡检图像采集真空期长以及效率低的问题,提出了基于深度学习模型小型化技术的电力输电线路智能巡检方案。通过飞桨的模型压缩库Paddle Slim,将可以进行输电线路异常识别的模型小型化;再将小型化模型部署在端侧推理引擎Paddle Lite驱动的无源无线的移动设备中,实现了在低算力、低功耗情况下的输电线路智能巡检。方案成果在某电网公司中应用实践,验证了方案的实用性。     

柔性输电技术在江苏跨江输电通道的应用研究

江苏作为国家确定的唯一海上千万千瓦级风电基地,由于受海域限制,陆上登陆点集中分布于盐城、南通等苏北地区,本地消纳能力有限,需要向苏南负荷中心输电.长江横贯整个江苏,现有的6个500 kV北电南送跨江输电通道,受电气距离、电源负荷分布等因素影响,各通道潮流分布不均,断面整体输电能力无法充分发挥."十四五"期间,随着海上风...     

深度强化学习在需求响应中的应用

随着中国电力市场化改革的推进,需求响应业务在向着多元化、常态化发展,新环境对需求响应的可靠性与精准性的要求越来越高,亟须完善的技术支撑。深度强化学习能够对复杂的外部环境做出较为准确的识别,并做出最优决策,能够满足需求响应的相关要求。基于此,文中对深度强化学习技术在需求响应中的应用进行了研究与探讨。首先对深度强化学习的发展历程及研究现状进行了梳理,同时分析了需求响应的研究现状与未来发展需求。在此基础上,对深度强化学习应用于需求响应业务的可行性与方法进行了探讨。提出了基于深度强化学习的需求响应业务开展架构,并对深度强化学习的实现流程进行了较为深入的分析,为需求响应技术的发展提供了参考。