Investigación sobre la Detección de Seguridad en la Prevención de Desastres de Líneas de Transmisión Basada en una Red Neuronal Convolucional Ligera Mejorada
Autores: Du, Fujun; Jiao, Shuangjian; Chu, Kaili
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Drones
Líneas de transmisión
Tecnología de reconocimiento visual
Aprendizaje profundo
Modelo de detección de seguridad
Modelo E
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 14
Citaciones: Sin citaciones
El uso de drones para inspeccionar líneas de transmisión es una tarea importante para el departamento de mantenimiento de energía para garantizar la estabilidad y seguridad de la transmisión de energía. Sin embargo, la inspección actual de la energía eléctrica es inseparable de la participación de la visión artificial. Es necesario establecer una tecnología de reconocimiento visual automático con alta fiabilidad, alta flexibilidad y bajo costo incorporado. Este documento desarrolla un modelo de detección de seguridad para la prevención de desastres en líneas de transmisión basado en aprendizaje profundo YOLOv5S mejorado, llamado Modelo E. En comparación con la red original, utilizamos la operación de convolución Ghost en la red del Modelo E para mejorar el cálculo redundante causado por la operación de convolución convencional. Se adopta la estructura de red BiFPN para mejorar la capacidad de extracción de características de la red PANet original para objetos inseguros en la imagen de la línea de transmisión. Esto ocurre en el proceso de aprendizaje del modelo de detección de seguridad para la prevención de desastres en líneas de transmisión del Modelo E. Se utiliza Equalized Focal Loss (EFL) para mejorar el mecanismo de procesamiento del problema de desequilibrio de muestras del Modelo E. El Modelo E propuesto en este documento es un 6.9%, 1.7%, 1.7% y 2.9% superior a los actuales algoritmos ligeros más utilizados YOLOv3-Tiny y YOLOv5S, Modelo C (basado en la red original YOLOv5S, se mejora la estructura BiFPN en la parte de la red del Modelo E) y la red del Modelo D (en la capa Backbone, se mejoran cuatro convoluciones convencionales como operaciones de convolución Ghost, y el resto de la estructura es la misma que la red del Modelo E) en el índice de evaluación [email protected]. Mientras tanto, el tamaño del modelo es solo el 79.5%, 97.7%, 84.9% y 93.8% de los modelos de algoritmo anteriores. Los resultados experimentales muestran que el modelo de detección de seguridad y prevención de desastres en líneas de transmisión del Modelo E propuesto en este documento muestra una mayor competitividad y avance, con alta fiabilidad, flexibilidad y rápida capacidad de detección, y puede aplicarse a costo, fiabilidad y eficiencia para tener un estándar más alto de necesidades de ingeniería práctica.
Descripción
El uso de drones para inspeccionar líneas de transmisión es una tarea importante para el departamento de mantenimiento de energía para garantizar la estabilidad y seguridad de la transmisión de energía. Sin embargo, la inspección actual de la energía eléctrica es inseparable de la participación de la visión artificial. Es necesario establecer una tecnología de reconocimiento visual automático con alta fiabilidad, alta flexibilidad y bajo costo incorporado. Este documento desarrolla un modelo de detección de seguridad para la prevención de desastres en líneas de transmisión basado en aprendizaje profundo YOLOv5S mejorado, llamado Modelo E. En comparación con la red original, utilizamos la operación de convolución Ghost en la red del Modelo E para mejorar el cálculo redundante causado por la operación de convolución convencional. Se adopta la estructura de red BiFPN para mejorar la capacidad de extracción de características de la red PANet original para objetos inseguros en la imagen de la línea de transmisión. Esto ocurre en el proceso de aprendizaje del modelo de detección de seguridad para la prevención de desastres en líneas de transmisión del Modelo E. Se utiliza Equalized Focal Loss (EFL) para mejorar el mecanismo de procesamiento del problema de desequilibrio de muestras del Modelo E. El Modelo E propuesto en este documento es un 6.9%, 1.7%, 1.7% y 2.9% superior a los actuales algoritmos ligeros más utilizados YOLOv3-Tiny y YOLOv5S, Modelo C (basado en la red original YOLOv5S, se mejora la estructura BiFPN en la parte de la red del Modelo E) y la red del Modelo D (en la capa Backbone, se mejoran cuatro convoluciones convencionales como operaciones de convolución Ghost, y el resto de la estructura es la misma que la red del Modelo E) en el índice de evaluación [email protected]. Mientras tanto, el tamaño del modelo es solo el 79.5%, 97.7%, 84.9% y 93.8% de los modelos de algoritmo anteriores. Los resultados experimentales muestran que el modelo de detección de seguridad y prevención de desastres en líneas de transmisión del Modelo E propuesto en este documento muestra una mayor competitividad y avance, con alta fiabilidad, flexibilidad y rápida capacidad de detección, y puede aplicarse a costo, fiabilidad y eficiencia para tener un estándar más alto de necesidades de ingeniería práctica.