国产精品不卡在线,精品国产_亚洲人成在线高清,色亚洲一区,91激情网

絕緣子、金具等是電網輸變電設備的重要組成部分，及時掌握其絕緣水平和運行狀態(tài)對電力系統(tǒng)的安全穩(wěn)定運行至關重要。目前電網主要采用的人工巡檢方式耗時費力，且無法及時全面地掌握主要電氣設備的外絕緣狀態(tài)?；跓o人機和巡檢機器人搭載的可見光、紫外和紅外圖像信息是高壓設備熱、電參量非接觸檢測的重要手段和發(fā)展趨勢，而絕緣子等主要電氣設備的識別是對其進行綜合診斷以實現其絕緣狀態(tài)判別的基礎。

實現絕緣子等高壓設備圖像識別思路主要有機器學習方式和深度學習方式。前者主要針對電氣設備的形狀和紋理特征進行設計，優(yōu)點為針對性強、特征具有可解釋性，缺點為檢測魯棒性差，對目標的拍攝角度等要求較高；后者通過卷積算法自動提取目標抽象化特征，實現端到端圖像識別，其識別精度高，泛化能力好，識別速度快，但對樣本需求量大，可解釋性差。隨著無人機和機器人巡檢方式的推廣，現場將產生大量高壓設備檢測視頻和圖片，基于此，華北電力大學律方成教授團隊在本次研究中采用了深度學習方式。

深度學習的概念是在由G. E. Hinton等2006年提出的非監(jiān)督貪心逐層訓練算法的基礎上，融合了卷積計算、神經網絡框架、下采樣和自動提取及匹配網絡特征的端到端有監(jiān)督學習框架。常用的深度學習框架包括以LeNet，Faster R-CNN（Region-Convolution Neural Network），SSD（Single Shot MultiBox Detector）和YOLO（You Only Look Once）為代表的深度卷積神經網絡及以長短期記憶網絡（Long Short-Term Memory, LSTM），GRU（Gated Recurrent Unit）為代表的循環(huán)卷積神經網絡等。

深度學習在電氣領域的應用研究主要包括：①利用電力系統(tǒng)運行數據實現其調度預測、調度控制、穩(wěn)定性評估；②利用計算機視覺、結構化和非結構化文本，實現電力系統(tǒng)和電氣設備狀態(tài)預測、缺陷識別與故障診斷、自然語言處理。

對圖像識別主要采用深度卷積神經網絡。相比于Faster R-CNN，YOLO在2015年由美國華盛頓大學提出。同屬圖像識別state-of-art檢測框架，YOLO采用無候選區(qū)域的類別和坐標one-stage檢測思路，具有較高的識別準確度和更高的識別速度，可實現對無人機和機器人巡檢產生的圖像的實時、整體識別。其在電力系統(tǒng)的應用研究方面，有關文獻主要基于YOLOv3或更早版本，關于網絡參數對訓練誤差和識別準確度的影響的研究較少。

為了對外絕緣設備的絕緣狀態(tài)進行智能診斷，華北電力大學律方成教授團隊對YOLOv4網絡框架進行了研究，建立了絕緣子、均壓環(huán)、防振錘、套管和導線訓練和測試數據庫，研究了數據擴充算法、錨框及其聚類中心對其訓練和識別性能的影響。

圖1 One stage 檢測流程

圖2 YOLOv4網絡框架

主要研究工作包括：采用表征訓練誤差、識別準確度和訓練速度的系統(tǒng)性能評價體系，分析了YOLOv4檢測框架及網絡框架，研究并改進了Mosaic數據擴充算法，研究了交并比 （Intersection over Union, IoU）算法對不同尺度檢測目標的邊界框預測有效性，以及自建數據庫的寬高數據標注值聚類對檢測結果及其評價參數的影響，優(yōu)化了YOLOv4的網絡，提出基于IoU和識別準確度的網絡調參方法。

圖3 訓練集數據庫

圖4 優(yōu)化后網絡的識別效果

本項研究成果主要有：1）基于YOLOv4，對數據擴充算法進行了改進，優(yōu)化后的網絡訓練誤差由1.011降低到了0.302，識別準確度提高到84.3%；2）研究并分析了CIoU和GIoU方法在訓練和識別大目標和小目標中的優(yōu)劣勢，對均壓環(huán)和防振錘等相對較小目標采用了GIoU的優(yōu)化方法，使其平均識別準確率提高了3%；3）提出了基于自建數據庫識別類別和label寬高數據的聚類思路，經過優(yōu)化后的網絡識別準確度提高了0.8%，訓練誤差減小了3%。

研究團隊表示，經過優(yōu)化和參數調優(yōu)，較好地實現了主要電氣設備的識別，本項成果可用于基于無人機和巡檢機器人搭載的多光譜成像檢測。

本文編自2021年第22期《電工技術學報》，論文標題為“基于優(yōu)化YOLOv4的主要電氣設備智能檢測及調參策略”，作者為律方成、牛雷雷 等。