购物网站建设技术难点,企业网站建设的材料,沈阳网势科技有限公司,宠物论坛网站策划书Neural Detection of Foreign Objects for Transmission Lines in Power Systems
Abstract. 输电线路为电能从一个地方输送到另一个地方提供了一条路径#xff0c;确保输电线路的正常运行是向城市和企业供电的先决条件。主要威胁来自外来物#xff0c;可能导致电力传输中断。…Neural Detection of Foreign Objects for Transmission Lines in Power Systems
Abstract. 输电线路为电能从一个地方输送到另一个地方提供了一条路径确保输电线路的正常运行是向城市和企业供电的先决条件。主要威胁来自外来物可能导致电力传输中断。传统的人工检测方法不仅耗费大量人力而且影响电网的安全和效率因此本文提出了一种基于神经网络的输电线路异物检测方法。使用迁移学习和数据扩充来缓解数据短缺。实验结果表明即使在训练数据较少的情况下迁移学习和数据增强的神经检测方法也是一种有效的方法且不损失实时性。 论文地址Neural Detection of Foreign Objects for Transmission Lines in Power Systems - IOPscience (PDF) Neural Detection of Foreign Objects for Transmission Lines in Power Systems (researchgate.net)
Introduction 输电线路是电力系统中最重要的组成部分之一它为能量从一地传输到另一地提供了指导路径是国民生活和企业生产的重要保障。悬空异物是输电线路正常运行的主要威胁是电力巡检的首要任务。目前人工检测仍然是电力检测中最常用的方法。然而除了需要大量的劳动和易受环境和气候的影响外更重要的是由于工作强度大检测精度低影响电网的安全和效率。电力系统中输电线路异物自动检测是智能输电线路的重要组成部分对确保运行安全、高效具有重要意义。 神经网络是一种模仿动物神经的方法在图像分类、物体检测、语义分割等传统的视觉感知任务中取得了显著的效果。异物检测可以看作是一项视觉感知任务。对于输电线路中的异物检测利用飞行器对其进行拍摄然后利用神经网络对图像进行处理不仅节省了大量的资源而且受环境的影响较小是一种很有前途的方法。 我们的研究重点是对从现实中获取的图像进行异物检测。在考虑输电线路异物检测时有几个关键问题值得关注:输电线路所处的环境多种多样如农村、城市、山区等。因此图像的背景比较复杂;这些图像是由飞机拍摄的因此视图是不确定和可变的;可获得的训练数据比其他任务少;需要考虑实时属性。 本文将神经网络应用于电力系统中输电线路的异物检测取得了良好的效果。针对上述问题采用了统一的实时框架YOLOv3。同时考虑到训练数据不足这一现实难题采用迁移学习和数据扩充来解决。实验结果表明本文采用的神经异物检测方法是一种有效的输电线路异物检测方法。
Neural Foreign objects Detection
Task Description 下图显示了传输线异物检测的三个示例。简单地说任务是确定图像中是否有异物如果存在则标记位置。 传输线异物检测的三个例子。
Architecture YOLOv3是YOLO和YOLO9000的升级版无论是在准确率还是推理时间上都具有最先进的目标检测性能。与R-CNN、Fast R-CNN、Faster R-CNN等两阶段方法不同YOLOv3是一阶段方法可以端到端进行训练。主要思想是将目标检测视为一个单一的回归问题直接从图像像素到边界框坐标和类别概率。 该架构大致可分为图像特征提取和目标检测两部分分别如下图(a)和下图(b)所示。图像特征提取是将图像表示为固定大小的张量。YOLOv3采用Darknet-53提取了三种不同大小的图像特征分别为: F a 、 F b 、 F c F_a、F_b、F_c Fa、Fb、Fc 用于检测目标。为了检测不同大小的物体该方法采用多尺度检测如下图(b)所示其中s1、s2和s3为三种尺度预测。 YOLOv3的两个部分。(a)为图像特征提取(b)为目标检测。 我们以1为例详细说明整个过程。假设将输入图像的大小调整为416×416经过推理我们得到1即13×13×18。13×13表示将输入图像划分为13×13网格。每个网格单元预测6个值:x、y、w、h、置信度和类概率。(x, y)坐标表示相对于网格单元边界的框的中心。w和h分别是边界框的宽度和高度。因此1的大小应该是13×13×6。但为了更准确每个网格单元有三个锚点因此大小为13×13×18。
Transfer Learning and Data Augmentation 通过迁移学习和数据扩充来缓解数据短缺。迁移学习。我们首先在imagenet中训练Darknet-53, imagenet包含超过1400万张图像是最大的图像数据集之一。然后我们移动完全连接的层并保留卷积层用于异物检测。数据增强。对数据应用水平翻转、缩放和随机裁剪如下图所示。值得注意的是在水平翻转和随机裁剪操作后方框的坐标位置也会发生变化。
Experiments
Training Details
我们基于PyTorch实现模型的所有代码PyTorch是广泛采用的深度学习框架之一。387张图像随机分为两部分:300张用于训练87张用于测试。使用Adam优化器[15]对神经网络的参数进行优化。初始学习率为0.0001批量大小设置为24。采用0.00005的权值衰减来防止过拟合。最大epoch设置为300。所有的训练都是用NVIDIA GTX 1080Ti GPU完成的。
Results 实验包括YOLOv3 (Yv3)、带迁移学习的Yv3 (Yv3TL)、带数据增强的Yv3 (Yv3DA)、带迁移学习和数据增强的YOLOv3 (Yv3TLDA)。精密度曲线和召回-精密度曲线结果如下表和下图所示。结果表明该方法在测试数据中具有有效的检测性能迁移学习和数据增强提高了模型在小训练数据中的泛化能力。在416×416分辨率下平均推断时间为46毫秒。 Yv3、Yv3TL、Yv3DA、Yv3TLDA的测试精度。 Precision-recall曲线。 为了更好地展示检测的性能下图(a)、图(b)和图©分别给出了正确检测、过度检测和虚假检测三种结果。结果表明泛化例如第1行和第4列、第3行和第3列的对象不存在于训练集中。但也存在一些错误主要体现在金属支架和背景干扰的情况下。这种情况可以通过更多的训练数据得到缓解。 测试数据的定性结果。(a)显示了一些正确检测的结果(b)显示了一些过度检测的结果©显示了一些错误检测的结果。
Conclusion
在电力系统中异物检测是保证输电线路正常工作的重要保护措施。与传统方法相比神经检测是一种数据驱动的方法能够处理复杂的环境节省大量的人工资源。本文提出了一种基于神经网络的输电线路异物检测方法。使用迁移学习和数据扩充来缓解数据短缺。实验结果表明该方法在保持实时性的前提下能够有效地检测出异物。
