面向电力系统现场作业的安全风险管控智能检测算法

针对电力现场作业下的安全管控存在场景复杂、目标多样且部分遮挡而导致智能安全监测困难的问题,提出一种基于YOLOv7-Tiny的改进算法。首先,搭建了YOLOv7-Tiny检测网络,并在该算法框架中融合通道重组的注意力机制,从而有效提升通道之间的交互能力,增强复杂场景下目标区域的显著度;其次,在特征融合阶段,构建基于残差跳连的多尺度特征融合结构Res-PANet(Residual Path-Aggregation Network)来有效融合多尺度目标,提升场景中的多目标检测能力;同时,在模型的输出检测头中结合Swin-Transformer模块,提升模型的感受野,增强模型对特征图的全局感知,提高模型在部分遮挡情况下的检测能力;接着,在训练时采取改进的Mosaic数据增强方式,提升小目标的分布数量,达到丰富目标场景、提高模型泛化能力的目的;最后,以电力人员安全帽及安全服的穿戴、电力围栏以及电力警示牌为安全作业的监测对象进行改进算法的验证,同时采取基于Score-CAM的热力图分析进一步验证模型改进的有效性。实验结果表明:融合改进模型的平均检测精度达90.1%,图像检测速度为46帧/s,在嵌入式硬件Jetson NX上测试推理延时为75 ms,能有效满足电力安全现场检测精度和检测速度的要求。

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。

改进的Faster R-CNN算法及其在电力作业安全穿戴检测中的应用

运维人员正确的安全穿戴是确保电力作业安全的重要措施,计算机视觉深度学习算法为电力作业安全穿戴监管提供了一种新的手段。Faster R-CNN(faster region-based convolutional neural network)是一种有效的目标检测方法,在其基础上进行改进,首先以轻量级卷积神经网络EfficientNetV2(efficient network version 2)作为Faster RCNN的骨干,均衡提升算法的检测精度与速度;然后,在RPN(region proposal network)前引入注意力机制CBAM(convolutional block attention module)进一步提升检测精度。结合实际电力作业安全穿戴检测场景对该方法进行测试实验,结果表明,相对目前以VGG-16(visual geometry group-16)、ResNet-50(residual network-50)为骨干的Faster R-CNN算法而言,改进Faster R-CNN算法的检测精度和速度均得到提高,其平均精度均值(mean average precision,mAP)达到85.46%,检测速度达到47.82帧/s(frames per second,FPS),一定程度上提升了Faster R-CNN在电力作业安全穿戴检测中的应用能力。