亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        變電站巡檢目標(biāo)自動(dòng)識(shí)別技術(shù)的研究

        2025-02-02 00:00:00康魏文博王濤薛洲喜高召濤

        摘 要:本文針對(duì)變電站巡檢中存在的誤差和安全隱患問(wèn)題,提出了一種基于改進(jìn)SSD模型的變電站巡檢目標(biāo)識(shí)別方法。該方法通過(guò)采用多尺度特征融合、過(guò)采樣技術(shù)、特征層上采樣以及特征金字塔結(jié)構(gòu)的優(yōu)化,提高了在復(fù)雜變電站環(huán)境下目標(biāo)識(shí)別的精度和效率。試驗(yàn)結(jié)果表明,該模型能夠高效準(zhǔn)確地識(shí)別變電站內(nèi)的多種設(shè)備及其狀態(tài),整體查準(zhǔn)率為96.75%。本研究為變電站的智能化巡檢提供了有效的技術(shù)支持,有助于提升電網(wǎng)的運(yùn)維水平。

        關(guān)鍵詞:變電站巡檢;目標(biāo)識(shí)別;圖像識(shí)別;SSD

        中圖分類號(hào):TP 183" " 文獻(xiàn)標(biāo)志碼:A

        變電站作為電力設(shè)施的關(guān)鍵樞紐,承擔(dān)著發(fā)電和輸電的重要任務(wù),其穩(wěn)定運(yùn)行直接關(guān)系到電網(wǎng)的安全與效率。隨著社會(huì)的不斷發(fā)展,輸電負(fù)荷持續(xù)增加,變電站設(shè)備的巡檢工作顯得尤為重要。智能巡檢機(jī)器人以其高效、精準(zhǔn)和無(wú)間斷的特點(diǎn),在變電站巡檢中展現(xiàn)出巨大潛力,能夠利用高清攝像頭等傳感器實(shí)時(shí)采集變電站內(nèi)部的圖像信息。目前,利用機(jī)器人進(jìn)行巡檢已成為變電站的日常巡檢模式[1]。

        由于一般的機(jī)器人巡檢僅處于半智能化階段,在巡檢過(guò)程中雖然能夠拍攝高清設(shè)備圖像,但是需要人工對(duì)傳回的圖片進(jìn)行分析,這種半智能方式存在人為因素導(dǎo)致的誤差和安全隱患。因此,引入智能化、自動(dòng)化的巡檢技術(shù)成為提升變電站運(yùn)維水平的重要途徑。

        隨著深度學(xué)習(xí)在圖像識(shí)別、處理領(lǐng)域的不斷普及,一些基于圖像識(shí)別的深度學(xué)習(xí)模型,例如YOLO算法[2]、SSD算法[3]等,已應(yīng)用于變電站智能化巡檢工作中。這些算法能夠識(shí)別變電站設(shè)備的表面狀態(tài),但通常僅適用于單個(gè)設(shè)備的識(shí)別,在復(fù)雜的多設(shè)備狀態(tài)識(shí)別方面存在一定局限性。因此,本文提出了基于改進(jìn)SSD模型的變電站巡檢目標(biāo)識(shí)別模型,該模型能夠高效準(zhǔn)確地識(shí)別復(fù)雜的變電站環(huán)境。

        1 變電站圖像識(shí)別需求

        變電站內(nèi)設(shè)備眾多,例如高壓開(kāi)關(guān)、隔離開(kāi)關(guān)和計(jì)量器等,這些設(shè)備在機(jī)器人拍攝的圖像中呈現(xiàn)復(fù)雜交叉的狀態(tài),因此,在進(jìn)行站內(nèi)設(shè)備識(shí)別過(guò)程中需要對(duì)設(shè)備進(jìn)行精準(zhǔn)定位和分類,以保證能夠準(zhǔn)確區(qū)分并識(shí)別每一種設(shè)備。

        此外,變電站內(nèi)設(shè)備的儀表盤也是圖像識(shí)別的重要對(duì)象,其種類繁多、顯示內(nèi)容復(fù)雜,圖像識(shí)別難度較大。因此,設(shè)備中儀表盤、指示燈的識(shí)別是本文圖像識(shí)別的重要內(nèi)容,包括數(shù)字識(shí)別、指針識(shí)別和故障指示燈等,以期能夠準(zhǔn)確讀取儀表盤上的各種信息,為變電站的巡檢工作提供有力支持。變電站設(shè)備圖像識(shí)別需求與難點(diǎn)見(jiàn)表1。

        2 基于改進(jìn)SSD模型的變電站設(shè)備目標(biāo)檢測(cè)網(wǎng)絡(luò)

        2.1 SSD模型

        SSD(Single Shot Detection,SSD)網(wǎng)絡(luò)是一種高效的目標(biāo)檢測(cè)算法,主要由基礎(chǔ)卷積層、輔助卷積層以及預(yù)測(cè)層構(gòu)成,如圖1所示。

        SSD網(wǎng)絡(luò)的基礎(chǔ)卷積部分采用了經(jīng)典的VGG-16模型作為其基本特征提取器。VGG-16是一種深度卷積神經(jīng)網(wǎng)絡(luò),具有出色的特征提取能力。在SSD網(wǎng)絡(luò)中,VGG-16的前5個(gè)卷積塊(Conv-1~Conv-5)負(fù)責(zé)進(jìn)行初步的特征提取。為了進(jìn)一步增強(qiáng)特征提取的層次感和細(xì)節(jié)捕捉能力,SSD對(duì)VGG-16進(jìn)行了改進(jìn),將原本的全連接層FC6和FC7替換為卷積層Conv-6和Conv-7,并在此基礎(chǔ)上額外增加了Conv-8、

        Conv-9、Conv-10和Conv-11卷積層。這些改進(jìn)使網(wǎng)絡(luò)能夠提取到更豐富、更多層次的特征信息,從而更好地適應(yīng)不同尺寸和形狀的目標(biāo)檢測(cè)任務(wù)。

        2.2 多尺度特征融合與過(guò)采樣

        在變電站巡檢中,由于巡檢機(jī)器人拍攝的設(shè)備照片(例如高壓開(kāi)關(guān)、隔離開(kāi)關(guān)和計(jì)量器等)的拍攝角度、距離不同,因此具有不同尺度。為了提升識(shí)別精度,本文采用多尺度特征融合技術(shù)。SSD模型能夠融合不同卷積層(例如Conv-6~Conv-11)提取的多尺度特征,對(duì)不同尺寸設(shè)備進(jìn)行有效檢測(cè)。在8×8和4×4這2種不同尺寸的特征圖中,默認(rèn)框的分布和特性如圖2所示。例如,當(dāng)檢測(cè)高壓開(kāi)關(guān)的開(kāi)關(guān)狀態(tài)時(shí),淺層特征保留了更多的邊緣信息,有助于定位開(kāi)關(guān)的具體位置。深層特征提供了更豐富的語(yǔ)義信息,幫助判斷開(kāi)關(guān)狀態(tài)。采用多尺度特征融合,模型能夠綜合這些信息,準(zhǔn)確識(shí)別高壓開(kāi)關(guān)的開(kāi)關(guān)狀態(tài)。

        針對(duì)變電站巡檢數(shù)據(jù)集中某些設(shè)備或故障樣本較少的問(wèn)題,本文應(yīng)用過(guò)采樣技術(shù)。例如,當(dāng)識(shí)別變電站內(nèi)某型號(hào)隔離開(kāi)關(guān)時(shí)(如圖2(b)所示),如果類別的樣本數(shù)量較少,會(huì)采用重復(fù)或者數(shù)據(jù)增強(qiáng)技術(shù)生成新的樣本,以增加其數(shù)量,從而平衡正、負(fù)樣本比例,提高模型對(duì)該類設(shè)備的識(shí)別能力,減少由樣本不均衡導(dǎo)致的誤判。

        2.3 特征層的上采樣

        在變電站設(shè)備圖像中,細(xì)節(jié)信息對(duì)準(zhǔn)確識(shí)別設(shè)備狀態(tài)至關(guān)重要。因此,本文采用特征層的上采樣技術(shù)來(lái)增大特征層的尺寸,以便更好地捕捉設(shè)備的細(xì)微特征。以識(shí)別計(jì)量器上的數(shù)字為例,由于拍攝距離較遠(yuǎn),因此計(jì)量器的數(shù)字可能會(huì)模糊。采用上采樣技術(shù)將特征層的尺寸放大,使數(shù)字區(qū)域的特征信息更突出,從而提高數(shù)字識(shí)別的準(zhǔn)確性。最近鄰插值法是上采樣方法之一,具有簡(jiǎn)單、高效的特點(diǎn),在變電站巡檢任務(wù)中的應(yīng)用效果較好。

        在設(shè)備圖像自動(dòng)分割中,特征層的上采樣在SSD網(wǎng)絡(luò)中具有重要作用。采用最近鄰插值法進(jìn)行上采樣操作是一種有效方法,因此本文選用最近鄰插值法進(jìn)行上采樣(upsampling)操作,以增大特征層的尺寸。最近鄰插值法是從原圖像矩陣中找到與目標(biāo)圖像的像素點(diǎn)距離最近的點(diǎn),再將最近點(diǎn)的灰度值賦給目標(biāo)圖像的該像素點(diǎn)。根據(jù)當(dāng)前像素位置推斷出原圖像,假設(shè)設(shè)備圖像中第i個(gè)特征點(diǎn)的坐標(biāo)(xi,yi)、(xi',yi')為對(duì)應(yīng)設(shè)備圖像中的坐標(biāo),W、H分別為原圖像的寬、高,W'、H'為新圖像的寬、高,兩者間的轉(zhuǎn)換關(guān)系如公式(1)所示。

        (1)

        公式(1)描述了原圖像與新圖像像素點(diǎn)間的映射。在設(shè)計(jì)過(guò)程中,系統(tǒng)先根據(jù)任務(wù)需求確定上采樣比例,然后遍歷新圖像的每個(gè)像素點(diǎn),利用公式(1)計(jì)算出原圖像中對(duì)應(yīng)的坐標(biāo)位置并取整,從原圖像中找到最近鄰的像素值,并對(duì)其賦值。該過(guò)程采用最近鄰插值法,即選擇距離目標(biāo)位置最近的像素值,以填充新圖像,使上采樣后的圖像能夠保持原圖像的信息完整性,同時(shí)增大了特征層尺寸,使模型能夠更有效地捕捉變電站設(shè)備的細(xì)微特征,例如計(jì)量器上的數(shù)字、指針位置等。

        2.4 特征金字塔結(jié)構(gòu)的改進(jìn)

        優(yōu)化SSD網(wǎng)絡(luò)特征金字塔結(jié)構(gòu)可以有效融合高、低層特征,提高對(duì)深度特征信息的提取能力,避免信息丟失和圖像失真,有助于精準(zhǔn)定位和檢測(cè)目標(biāo)。此外,SSD網(wǎng)絡(luò)的卷積核結(jié)構(gòu)還與金字塔式設(shè)計(jì)相結(jié)合,采用正則化處理,并引入注意力機(jī)制模塊,能夠提升網(wǎng)絡(luò)訓(xùn)練的性能和數(shù)據(jù)處理效率,從而提高圖像分割的精度和準(zhǔn)確性。

        為了調(diào)整網(wǎng)絡(luò)通道數(shù)量,并進(jìn)一步優(yōu)化特征表示,本文引入了1*1卷積操作,以便在不改變特征圖空間尺寸的情況下,減少或增加通道數(shù),從而調(diào)整網(wǎng)絡(luò)的信息流?;诶奂拥姆绞?,選擇最佳通道數(shù)量,以充分表達(dá)特征信息,避免冗余特征對(duì)模型性能的影響。此外,為了消除特征融合過(guò)程中可能出現(xiàn)的混疊效應(yīng),本文還采用了2*2卷積操作。該操作能夠在一定程度上平滑特征圖,減少特征融合引入的噪聲,進(jìn)一步提高模型的穩(wěn)定性和魯棒性。

        在具體實(shí)施中,假設(shè)原設(shè)備圖像特征為m維,大小為k,每個(gè)網(wǎng)格將生成k個(gè)先驗(yàn)框。在優(yōu)化特征金字塔結(jié)構(gòu)后,模型能夠生成這些先驗(yàn)框,并保證每個(gè)先驗(yàn)框?qū)?yīng)特征圖的縮放比例S合理且一致。這種精細(xì)化的調(diào)整不僅提升了模型的定位精度,而且進(jìn)一步增強(qiáng)了其在復(fù)雜設(shè)備圖像中識(shí)別目標(biāo)的能力。具體計(jì)算過(guò)程如公式(2)所示。

        (2)

        式中:Smax、Smin分別為高特征的最大值、低特征的最小值。

        利用公式(2)可以調(diào)整特征金字塔中每一層特征圖的縮放比例,保證不同尺度特征能夠有效融合。根據(jù)設(shè)備的復(fù)雜度和數(shù)據(jù)集規(guī)模,設(shè)置合理的縮放比例因子,例如1、2和3等。根據(jù)公式(2)計(jì)算特征金字塔中每一層特征圖的縮放比例,使其與上一層特征圖尺寸一致,或者按照設(shè)定的比例變化,以保證高、低層特征在融合過(guò)程中保持信息的連貫性和一致性,進(jìn)而提高模型在復(fù)雜變電站環(huán)境下對(duì)不同大小目標(biāo)的檢測(cè)能力。

        3 模型訓(xùn)練與試驗(yàn)

        3.1 試驗(yàn)環(huán)境

        軟件環(huán)境基于Python 3.5和Tensorflow 1.13.1[4]框架搭建,在配置為i5 9400 CPU、GTX1660顯卡以及16 G內(nèi)存的Ubuntu系統(tǒng)中進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練,同時(shí)利用cuda等顯卡加速驅(qū)動(dòng)以提升訓(xùn)練效率。

        3.2 模型訓(xùn)練

        本文試驗(yàn)數(shù)據(jù)集來(lái)源于靖遠(yuǎn)風(fēng)場(chǎng)330 kV滄海變電站的現(xiàn)場(chǎng)巡檢,共采集了63種變電站設(shè)備的12 960張高清圖片,由專業(yè)巡檢人員標(biāo)注了設(shè)備狀態(tài)、表針指示和表盤數(shù)等信息。數(shù)據(jù)集分為訓(xùn)練集(70%)、測(cè)試集(20%)和驗(yàn)證集(10%),分別為9 072張、2 592張和1 296張圖片。

        本試驗(yàn)將數(shù)據(jù)樣本的輸入、輸出大小調(diào)整為128×128。在生成網(wǎng)絡(luò)和鑒別網(wǎng)絡(luò)中,均選用ReLU作為激活函數(shù),卷積和反卷積的操作均采用5*5的卷積核。為了保證網(wǎng)絡(luò)性能,每次卷積或反卷積操作后都進(jìn)行批歸一化處理。將生成器和鑒別器的網(wǎng)絡(luò)學(xué)習(xí)率設(shè)置為0.000 2,同時(shí)將Adam作為優(yōu)化方式,其中優(yōu)化器的參數(shù)betal設(shè)為0.5,迭代次數(shù)epoch設(shè)為500次。

        3.3 試驗(yàn)結(jié)果分析

        本試驗(yàn)旨在識(shí)別不同類型的設(shè)備識(shí)別目標(biāo),并根據(jù)查準(zhǔn)率來(lái)評(píng)估模型的性能。查準(zhǔn)率是指模型在測(cè)試集上分類正確的圖像數(shù)量與總圖像數(shù)量之比,其是衡量模型效果的一個(gè)重要指標(biāo)。在測(cè)試過(guò)程中,本文計(jì)算分類正確樣本數(shù)與總樣本數(shù)的比例,從而得到查準(zhǔn)率,并根據(jù)查準(zhǔn)率來(lái)評(píng)價(jià)模型性能。查準(zhǔn)率見(jiàn)表2。

        試驗(yàn)結(jié)果顯示出改進(jìn)SSD模型的優(yōu)異性能。模型能夠準(zhǔn)確識(shí)別不同類型的設(shè)備及其狀態(tài),例如數(shù)字表盤、指針、表面溫度以及設(shè)備表面污濁等,整體查準(zhǔn)率為96.75%。結(jié)果表明,模型在復(fù)雜變電站環(huán)境中具有高效的識(shí)別和泛化能力,能夠?yàn)樽冸娬狙矙z提供有力支持。

        4 結(jié)語(yǔ)

        隨著經(jīng)濟(jì)社會(huì)發(fā)展和電網(wǎng)負(fù)荷持續(xù)增長(zhǎng),變電站設(shè)備的巡檢工作日益重要、復(fù)雜。傳統(tǒng)人工巡檢模式完全取決于巡檢員的經(jīng)驗(yàn),并且存在誤差與安全隱患,雖然智能巡檢機(jī)器人應(yīng)用提升了巡檢效率,但是仍然需要人工輔助分析,難以達(dá)到智能化水平。因此本文提出了基于改進(jìn)SSD模型的變電站巡檢目標(biāo)識(shí)別方法,即對(duì)SSD模型進(jìn)行多尺度特征融合、過(guò)采樣、特征層上采樣以及特征金字塔結(jié)構(gòu)優(yōu)化,使該模型在復(fù)雜變電站環(huán)境中具有卓越性能。試驗(yàn)結(jié)果表明,該模型能夠高效、準(zhǔn)確地識(shí)別變電站內(nèi)的各種設(shè)備及其狀態(tài),整體查準(zhǔn)率為96.75%,顯著提高了目標(biāo)識(shí)別的精度和效率。

        本文研究為變電站智能化巡檢提供了有效的技術(shù)方案,為深度學(xué)習(xí)在復(fù)雜場(chǎng)景下的應(yīng)用提供了新的思路,期望能夠推動(dòng)變電站巡檢技術(shù)的智能化進(jìn)程,為電力行業(yè)的安全、高效運(yùn)行貢獻(xiàn)更大的力量。

        參考文獻(xiàn)

        [1]高曉麗,楊瑤玉,丁子郡,等.基于數(shù)據(jù)中臺(tái)的變電站智能巡檢系統(tǒng)分析[J].集成電路應(yīng)用,2024,41(5):306-307.

        [2]保佑智,楊濤.基于改進(jìn)SSD模型的變電站設(shè)備識(shí)別技術(shù)[J].電氣開(kāi)關(guān),2023,61(6):32-35.

        [3]華澤璽,施會(huì)斌,羅彥,等.基于輕量級(jí)YOLO-v4模型的變電站數(shù)字儀表檢測(cè)識(shí)別[J].西南交通大學(xué)學(xué)報(bào),2024,59(1):70-80.

        [4]潘文嬋,黃海平.基于人工智能TensorFlow平臺(tái)的建設(shè)與研究[J].實(shí)驗(yàn)室科學(xué),2023,26(4):44-47.

        久久精品无码一区二区三区不卡 | 日本韩国男男作爱gaywww| 亚洲avav天堂av在线网爱情| 黄色毛片在线看| 国产三级国产精品三级在专区| 少妇激情高潮视频网站| 国内免费高清在线观看| а√天堂资源8在线官网在线 | 国产乱人伦精品一区二区| a午夜国产一级黄片| 中文字幕日韩精品永久在线| 国产精品久久久亚洲| 台湾佬综合网| 尤物AV无码色AV无码麻豆| 极品夫妻一区二区三区| 国产欧美成人一区二区a片| 国产成人av一区二区三区在线| A亚洲VA欧美VA国产综合| 亚洲婷婷久久播66性av| 精品一区二区三区免费视频| 最近中文av字幕在线中文| 精品人妻av一区二区三区不卡| 白白色发布会在线观看免费| 免费久久人人爽人人爽av| 久久精品无码一区二区三区蜜费| 亚洲精品女同在线观看| 久久精品免费一区二区喷潮| 无遮挡又黄又刺激又爽的视频| 人妻精品久久中文字幕| 91亚洲免费在线观看视频| 97色偷偷色噜噜狠狠爱网站| 国产精品露脸视频观看| 插入中文字幕在线一区二区三区 | 99日本亚洲黄色三级高清网站| 国产精品熟女少妇不卡| 国产99在线 | 亚洲| 成人在线激情网| 国产麻豆一区二区三区在线播放 | 日本一区二区三区视频在线观看| 成人免费看吃奶视频网站| 亚洲午夜看片无码|