一种改进的YOLO目标检测方法在电缆设备异常状态识别中的应用

针对地下隧道电缆设备异常状态识别中目标设备较为单一、异常状态相对简单、综合识别速率和准确率较低的问题,文章提出一种改进的YOLO目标检测架构,对电缆设备进行定位和异常状态识别。首先,采用图像缩放方法调整图像尺寸为448×448,再利用卷积神经网络对特征进行提取,其中每一层采用批量归一化方法规范模型,最后通过RPN网络预测目标边界框。采用珠海地下电缆隧道中的图像数据进行仿真实验,并与YOLO和Faster RCNN算法进行对比,实验结果验证了所提出方法的有效性,且算法识别准确率较高、鲁棒性好,可有效应用于地下电缆隧道的巡检机器人系统中。     

改进的Faster R-CNN方法及其在电缆隧道积水定位识别中的应用

针对电缆隧道内积水的问题,提出了一种改进的基于区域建议的卷积神经网络(Faster R-CNN)方法,并将其应用在电缆隧道积水定位识别中。考虑到Softmax分类方法的正则化参数选取会引起概率计算产生问题,改用支持向量机(SVM)进行图像分类,以增强分类的置信度。使用区域建议网络(RPN)提取隧道积水原图中的区域建议,然后用Fast R-CNN检测网络在建议框中进行图像识别、SVM分类和位置精修。实验结果表明,所提方法计算速度快、识别精度高,在实际工程中表现出较高的效率。     

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。     

基于轻量级卷积神经网络的手势识别检测

针对基于深度学习的手势识别模型参数量大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种基于轻量级卷积神经网络的手势识别检测算法。首先利用Ghost模块设计轻量级主干特征提取网络,减少网络的参数量和计算量;通过引入加权双向特征金字塔网络改进特征融合网络,提升网络检测精度;最后使用CIoU损失函数作为边界框回归损失函数并加入Mosaic数据增强技术,加快模型收敛速度提升网络的鲁棒性。实验结果表明,改进后的模型大小仅为17.9M,较原YOLOv3模型大小减小了92.4%,平均精确度提高了0.6%。因此新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,为手势识别检测提供理论参考。     

基于卷积神经网络的直流XLPE电缆局部放电模式识别技术

针对现有的直流交联聚乙烯(XLPE)电缆局部放电模式识别对强随机性信号的特征提取缺乏一定自适应能力的问题,该文提出基于卷积神经网络(CNN)的模式识别算法,采用卷积神经网络框架CAFFE进行网络训练和识别检测。首先采集四种典型绝缘缺陷电缆的局部放电信号作为样本,再利用自适应的卷积核进行特征提取,池化层进行特征映射,非线性多分类器进行回归分类,最终得到训练完成的CAFFE网络。通过设置不同求解器参数、网络结构和训练样本数量对缺陷识别结果进行对比分析,发现利用改进的Alexnet网络,采用衰减学习率方式的模式识别框架的平均识别正确率最高,达到了91.32%,相比于传统模式识别算法至少提高了8.97%。该方法具有强大的自适应学习能力,为应用于直流电缆故障诊断的模式识别提供了新的思路。     

基于深度残差网络的GIS局部放电模式识别技术研究

气体绝缘电器(gas insulated switchgear,GIS)内部绝缘缺陷产生的局部放电(partial discharge,PD)特征表现较复杂,传统局部放电模式识别方法因特征选取具有较强的主观性,其放电类型分类的准确性和鲁棒性均较差。针对这一问题,文中将局部放电的PRPD数据转化为局部放电灰度图,构建深度残差网络对局部放电灰度图进行自适应特征提取,深度挖掘放电灰度图中不同局部放电类型的特征模式,实现局部放电模式的识别,实际实验表明,文中所提方法对局部放电类型的识别同时具有较高的准确率和鲁棒性。     

基于改进SSD模型的输电线路巡检图像金具检测方法

为了解决航拍图像金具智能检测问题,提出一种基于改进SSD模型的输电线路航拍巡检图像金具目标检测方法。对巡检图像进行多角度旋转并自适应裁剪扩充样本,以解决金具在图像中占比过小导致大量漏检问题,使用改进的IoU得到对目标尺度更敏感的默认框;进一步针对图像中金具目标密集问题,在模型中加入对密集目标检测有效的斥力损失,提高模型对密集遮挡金具的检测效果。在包含6934个训练目标框和1879个测试目标框的11类金具数据集中进行实验,使用文中方法的金具检测准确率达到了75.64%,相对于使用原始SSD模型检测准确率提升了4.73%,且检测框更贴合目标。     

一种基于鲁棒自联想神经网络的传感器故障诊断方法

提出一种可用于非线性系统建模的鲁棒自联想神经网络,将该网络映射层和解映射层分别作为2个子网络进行训练,提高了收敛速率。在网络训练目标函数中加入网络权值限制项,抑制了训练过程中网络权值的异常调整,提高了模型的准确性和鲁棒性。在解映射子网络训练结果集和原输入数据集中增加了扰动数据,构成映射网络的扩展训练样本集,提高了整个网络的鲁棒性。该文给出基于所提网络模型的传感器故障诊断方法及诊断流程,并以某300 MW机组热力系统为对象进行算例分析,结果表明该文方法应用于传感器故障诊断时能够实现对故障测点的快速准确定位,并对各变量值进行精确重构。     

基于图像特征和深度森林的乙丙橡胶电缆绝缘

为了更准确地对乙丙橡胶电缆绝缘老化状态进行识别,提出了一种基于局部放电图像特征和深度森林的识别方法。文中制备了不同老化状态的乙丙橡胶试样,搭建了局部放电试验平台,通过试验获得了不同老化状态的乙丙橡胶试样局部放电谱图,并从局部放电谱图中提取了19个特征参量,结合深度森林网络对不同老化程度的试样进行识别。结果表明：通过结合局部放电谱图特征和深度森林网络能够准确的识别电缆老化状态,且识别率优于其他传统分类算法。将局部放电图像特征与深度森林结合应用于电缆的绝缘老化诊断具有较好地工程应用前景。     

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。     

基于迁移学习卷积神经网络的电缆隧道锈蚀识别算法

随着电力行业的不断发展,高压电缆的铺排以及地下电缆隧道的建设与维护逐渐成为该领域中的热点问题之一。将迁移学习的核心思想与经典的卷积神经网络（LeNet5）相结合,提出了一种基于迁移学习卷积神经网络的电缆隧道锈蚀识别算法,实现了电缆隧道内部电源箱、风机等设备的锈蚀识别。该算法基于Tensorflow框架,能够有效地解决训练样本不足、训练时间冗长以及识别精度不高的问题。通过引入4种经典的目标识别算法进行对比实验,进一步验证了所提方案在网络训练时间以及识别精确度上的优势,为后续电缆隧道巡检机器人系统的构建提供了坚实的理论基础与实验支撑。     

隧道电缆载流量计算及其影响因素分析

研究了某地区电缆隧道内110 kV电缆实际运行情况下,不同排列方式对电缆载流量的影响。通过有限元仿真软件建立了隧道内电缆温度场的三维有限元仿真模型,计算了水平和三角形两种不同排列方式下电缆的温度场分布,对比分析了不同排列方式下的电缆载流量大小,并通过电缆温升实验验证了仿真结果的可靠性。结果表明:两种不同排列方式下电缆载流量大小存在明显差异,水平排列三相电缆载流量明显大于三角形排列,其中水平排列时B相电缆载流量提高5.0%,AC两相电缆载流量提高9.5%。基于以上发现,电缆隧道内高压电缆采用水平排列方式更利于改善电缆的温度场分布和提高电缆的传输功率。     

混凝土坝面交叉作业安全风险智能识别方法

为快速准确识别混凝土坝面作业风险，针对坝面交叉作业复杂场景特征，基于YOLOv8网络，提出了一种混凝土坝面交叉作业安全风险智能识别方法（YOLO-CDSRI）。首先，采用跨阶段局部网络（CSPNet）和快速空间金字塔池化模块（SPPF）构建主干网络，提高模型对图像中安全风险的态势感知能力。其次，针对小目标安全风险的误识别、漏识别问题，引入双向特征金字塔网络（Bi FPN），经双向跨尺度连接和加权特征融合，增强风险特征间的信息耦合，提升模型对小目标安全风险的关注度。最后，以Wise-IoU为边界框回归损失函数，结合动态非单调聚焦机制，利用“离群度”评估锚框质量，避免标注框几何因素对模型的过度影响。研究表明：经500次迭代训练，YOLO-CDSRI的综合性能优于YOLOv5s、SSD和Faster-RCNN模型，可为智能识别混凝土坝面交叉作业安全风险提供技术支撑。     

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.     

基于优化卷积神经网络的电缆早期故障分类识别

准确识别电缆早期故障是及时消除故障隐患的必要前提。提出基于卷积神经网络的电缆早期故障分类识别的方法,可从含恒定阻抗故障、励磁涌流、电容投切扰动的过电流信号中准确识别电缆早期故障。通过小波变换提取过电流信号特征,构建卷积神经网络,进行训练调整网络参数形成输入特征与类别编码之间的映射关系。为解决训练过拟合和学习效率的问题,通过修正损失函数和采用自适应学习率的方法优化卷积神经网络。仿真结果表明,所提方法能对过电流信号进行有效分类,准确识别电缆早期故障,具有较高的工程应用价值。     

面向电缆隧道巡检机器人的漏泄电缆分布式系统

随着电网隧道化及隧道网络化的不断扩大,保障电缆隧道安全稳定运行成为了首要任务。机器人巡检自动化的发展为电缆隧道安全巡检提供了有效途径,然而电缆隧道的特殊环境严重制约了传统天线系统的通信距离和质量,给巡检机器人的移动通信带来了困难。为此,首次将漏泄电缆技术应用于电缆隧道巡检机器人通信中,以替代传统天线,并针对电缆隧道的高电压环境,提出了一种面向电缆隧道巡检机器人的漏泄电缆分布式系统。首先分析无线电波在电缆隧道内的传播特性,得出传统天线系统在隧道内通信困难的原因,并提出采用漏泄电缆通信技术;然后分析漏泄电缆的原理及主要特性,并针对电缆隧道的特殊性,分析高压电力电缆线路对漏缆线路的影响,在此基础上进行电缆隧道巡检机器人的漏泄电缆分布式系统设计。以5 km电缆隧道工程模型为例,进行工程实际评估,并对系统的构建及链路预算进行分析。分析结果表明,该系统能够较好地克服电力电缆产生的电磁干扰,并满足电缆隧道内巡检机器人上下行通信的场强覆盖要求,有效地解决了电缆隧道内无线信号长距离传输的问题。     

基于改进YOLOv4的输电线路目标检测算法

针对人工巡检及传统视频监测方式不能及时识别输电线路外破隐患的问题，本文提出基于YOLOv4改进的输电线路外破隐患识别算法。该算法通过改进K-means++算法对图片样本集目标的大小进行聚类分析，筛选出符合检测目标特征的锚框，之后利用CSPDarknet-53残差网络提取图片深层次网络特征数据，采用SPP算法对特征图进行处理增加感受野，并引用自注意力机制（CBAM），增强模型的特征提取能力。最后结合实际输电线路现场监控图，测试后表明该算法能够及时准确检测到外破隐患。     

复杂环境基于YOLACT电缆识别与定位

目前，电力公司的电缆维护都是人工完成的。人工维护不仅工作量大、效率低，而且存在很大的安全问题。随着机器视觉的快速发展和机器人技术在各行各业的广泛应用，将机器人和视觉技术应用于电缆的自动维护已成为一种必然趋势。本文提出了一种基于YOLACT模型的双目电缆识别与定位方法，该方法首先利用改进的YOLACT网络对复杂环境下的密集电缆进行识别和分割，然后对电缆分割图像进行边缘优化与提取，最后利用得到的电缆边缘特征对双目图像中的相同目标进行匹配，从而实现复杂环境下对电缆的识别与定位。与传统的YOLACT模型相比，本文提出的电缆候选框相关度计算方法可以很好地解决识别密集电缆时出现的漏检和误检问题，提高了电缆识别的准确率。     

基于NSST域增强的直流XLPE电缆局放识别方法

针对直流交联聚乙烯(XLPE)电缆局放信号图的对比度差和边缘清晰度低,影响电缆缺陷识别率的问题,提出一种基于非下采样剪切波变换(NSST)域增强的直流电缆局放识别方法。首先采用NSST对不同缺陷类型的电缆局放信号图进行分解,得到低频子带图和高频方向子带图,其中,低频子带图进行布谷鸟优化多尺度Retinex算法(CS-MSR)增强处理,高频方向子带图进行亮度保持动态模糊直方图均衡算法(BPDFHE)增强处理。然后对NSST各子带图进行加权重构,得到增强的直流电缆局放信号图。最后提取直流电缆局放信号图中每个子带图的最大放电次数、平均放电时间间隔、平均放电量等共计72个特征参数,并代入到线性核支持向量机(L-SVM),高斯核支持向量机(G-SVM),多项式核支持向量机(P-SVM)和多核支持向量机(M-SVM)识别模型中进行分析。实验结果证明:基于NSST域增强的直流电缆局放信号图与原始信号图相比,在M-SVM情况下,整体缺陷识别准确率提高9.46%以上。运用新提出的方法进行局放识别时,信号图细节更加丰富,且提高了电缆局放信号图的缺陷识别率,为直流电缆局放缺陷识别提供了新的思路。     

电缆在隧道中敷设的方法

问：电缆在隧道中应怎样进行敷设？答：在隧道中敷设电缆前应对电缆、隧道及其附属设施进行验收检查。电缆隧道的敷设牵引,应将电缆盘和卷扬机分别安放在隧道入口处并搭建适当的滚轮支架,隧道底部每2-3m安放滚轮一只,在电缆盘处和隧道转弯处等地点设置输送机,采取卷扬机钢丝绳牵引和输送机相结合的牵引方式,