基于联邦学习的电力施工场景分类

深度学习的快速发展促进了人工智能在各个领域的应用,包括智能安防。但是施工现场的图像往往涉及到公司的隐私,不方便进行长距离的传输。为了实现电网施工现场的智能管控,论文将联邦学习与深度学习图像分类算法结合,提出了一种基于联邦学习的电力施工场景分类方法,该方法保护数据隐私和数据安全的前提下,利用各节点的数据联合训练得到具有高准确率的电力场景分类模型。同时,论文依据客户节点的数据量提出了动态权重算法。实验证明,该方法可以加速联邦学习中心模型的拟合速度,并提高准确率。

一种新的输电线路异物检测网络结构——TLFOD Net

高压输电线路上悬挂的漂浮异物可能会对输电产生巨大危害,而现有的物体识别方法无法对不规则物体进行有效识别。为此,本文提出一种异物检测的新型网络结构:TLFOD Net(Transmission Line Foreign Object Detection Net)。针对异物特点设计的TLFOD Net网络结构,主要包括特征提取网络、区域生成网络和分类回归网络3个部分;优化了合适的候选框;并提出端到端的TLFOD Net联合训练方式以提高网络训练的性能。采用图像预处理技术,增加训练集的数量。通过实验结果分析表明,TLFOD Net比现有的网络在识别速度以及识别精度上均有显著提高。

基于联邦学习的输电塔螺母销钉缺失检测

输电塔上的螺母是连接两个或多个输电塔部件之间的媒介,销钉是确保螺母不脱落的重要保障.销钉缺失会使各部件之间的连接处存在安全隐患.本文将联邦学习与目标检测算法结合起来,在保证各地区数据不互通的情况下,上传局部模型,经过中心节点生成融合模型,采用Faster RCNN检测算法对螺母进行检测,同时用分类网络对螺母进行分类,最终得出销钉是否缺失.实验结果表明,联邦学习融合后的模型比各局部模型在检测任务的mAP上提升3%–6%,在分类任务的准确率上提升2%–3%.

基于改进SSD的电力检修多目标人员追踪方法

随着计算机人工智能领域的日益飞速发展,对摄像头数量要求日益增加,视频数据量也在迅速增加,视频下的人形轨迹安全监控跟踪,是大规模智能监控系统的重要研究方向.考虑到安全管控现实场景中不同摄像头的光照亮暗程度和每帧图片的人形角度、尺寸等的差异,会影响人形追踪的准确度,为此提出具有快速优势的CSSD网络(Correct Single Shot multi-box Detector,CSSD)和关联分析应用于人形目标追踪.本文基于行人多目标追踪技术基础,提出了一种CSSD网络来进行模型的检测,并使用简单的卡尔曼滤波方法跟踪预测目标的位置状态,预测检测框位置,使用IOU方法和匈牙利算法来解决视频连续前后帧目标匹配问题.经验证,该方法可以有效地提高人形目标准确率,缓解目标之间的部分遮挡和位置突变问题,能最大程度的适应目标的尺寸、远近和角度改变等.