基于改进YOLOv5算法的电力工人作业安全关键装备检测

传统的电力工人作业安全关键装备检测算法精度低、鲁棒性差.为此提出了一种基于YOLOv5的改进型目标检测算法,用于对绝缘手套、安全帽、作业人员进行检测.首先在原版YOLOv5中加入坐标注意力模块,提升对小目标特征提取的能力;其次用加权双向特征金字塔网络结构代替原有的特征金字塔网络结构,进一步提升特征提取的能力.实验结果表明平均精确度提升了1.8%,其精度达96.4%,平均精确度均值提升了0.4%,其均值达93.3%.所提算法改善了原版网络对小目标容易漏检、误检的问题,具有较强的实用性和先进性,能满足实时检测的要求,对电力行业安全有一定的促进作用.

变电站二次回路端子排设计图文字检测与识别

目前变电站二次回路端子排接线巡检存在一系列问题,包括巡检周期长、手段单一、数据管理分散、无法精准发现设备隐患等。为了提高二次回路巡检效率和智能化水平,提出了改进YOLOv5+Open CV+Paddle OCR的方法进行端子排设计图文字检测与识别。首先,通过加入卷积块注意力模块(convolutional block attention module, CBAM)的方法改进YOLOv5(you only look once v5)目标检测算法,用于检测端子排和连接线路;其次,使用开源计算机视觉库(open source computer vision library, Open CV)拆分端子排和连接线路,将端子排分割成以端子名称为首的端子组;最后,采用Paddle光学字符识别(optical character recognition, OCR)技术识别图纸中的文字。实验结果表明,改进的YOLOv5算法对图纸中端子排和连接线路检测的平均精确率均值达到95.5%,通过Open CV和Paddle OCR技术使得设计图图纸文字识别精确率达到92.1%,文字检测与识别的总体精确率达到88.0%。为端子排设计图文字检测与识别提供了可靠的算法模型。

基于Informer的长序列时间序列电力负荷预测

针对长时间序列电力负荷的预测精度低的问题,应用了基于Informer长时间序列模型的电力负荷预测方法.该方法通过Informer模型中的自注意力蒸馏机制,使得每层的解码器都将输入序列的长度缩短一半,从而极大地节约了Encoder内存开销,并在编码器结构中使用生成式结构,使得预测解码时间极大的缩短;以澳大利亚的电力负荷数据作为测试用例,并与长短时记忆神经网络(long-short term memory,LSTM)和卷积神经网络(convolutional neural network,CNN)模型方法进行对比,结果表明,Informer模型的预测精度更高,Pearson相关系数可以达到91.30%,有效提高了负荷预测精度.

改进的轻量型YOLOv5绝缘子缺陷检测算法研究

随着人工智能技术的发展,无人机巡检已成为电网线路巡检的主流,绝缘子缺陷检测是巡检的重要环节.在保证绝缘子检测较高精度的前提下提升检测速度,提出了改进的轻量型YOLOv5算法来实现绝缘子的缺陷检测.该算法使用轻量型的Ghost卷积代替一般卷积,用GhostBottleneck模块代替部分C3模块,并用改进的K-means算法修改先验框,还设置了矩形训练、修改学习率等训练方式.实验结果表明,绝缘子检测的平均精度达到96.3%,算法模型大小减少为原来的59.7%,参数量减少41.1%.改进算法模型更加轻量化,易于在嵌入式终端部署.