期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于CABFAM-Transformer的输电线路在线测距实测行波预分类方法
1
作者
唐玉涛
束洪春
+3 位作者
刘皓铭
苏萱
韩一鸣
代月
《电工技术学报》
北大核心
2025年第5期1455-1470,共16页
行波采集装置是电力系统保护与测距的重要设备,广泛应用于110 kV及以上输电线路,且正向配电网延拓。由于启动灵敏,非故障信息的采集给故障辨识与行波测距带来了挑战。该文提出了一种基于卷积注意力机制的特征聚合模块(CABFAM)与自适应Tr...
行波采集装置是电力系统保护与测距的重要设备,广泛应用于110 kV及以上输电线路,且正向配电网延拓。由于启动灵敏,非故障信息的采集给故障辨识与行波测距带来了挑战。该文提出了一种基于卷积注意力机制的特征聚合模块(CABFAM)与自适应Transformer模型的输电线路实测故障性质识别方法。首先,通过CBAM机制增强卷积层提取特征信息的表达与理解能力;然后,构建自适应编码层级调整机制的Transformer模型库,以获取多层次差异化特征信息;最后,利用云南电网110~220 kV输电线路的5076条实测数据及220 kV DL站H-P线的15924条伪实测数据进行训练与测试,针对16种典型行波数据进行分类。测试结果表明,该方法降低了模型参数量,提高了准确度,算法的多个关键指标均有不同幅度的提升,表现出优异的检测精度与识别效率。
展开更多
关键词
行波采集装置
基于卷积注意力机制的特征聚合模块
cabfam
自适应Transformer
实测数据故障辨识
在线阅读
下载PDF
职称材料
基于压缩图像与YOLOv5模型的架空输电线路缺陷检测技术
被引量：
1
2
作者
刘敏
姜亮
+2 位作者
田杨阳
张璐
陈岑
《沈阳工业大学学报》
北大核心
2025年第2期152-159,共8页
【目的】输电线路作为电能传输和使用过程中的重要环节,其安全稳定对电力系统的正常运行起着至关重要的作用,因此输电线路日常巡检具有重要作用。重大事故通常由微小缺陷隐患发展而来,日常巡检通常采用人工、无人机、可视化通道等手段,...
【目的】输电线路作为电能传输和使用过程中的重要环节,其安全稳定对电力系统的正常运行起着至关重要的作用,因此输电线路日常巡检具有重要作用。重大事故通常由微小缺陷隐患发展而来,日常巡检通常采用人工、无人机、可视化通道等手段,无论何种方式都需要处理大量可视化、红外或者紫外照片。但由于输电线路的特殊性,架设条件涉及多种环境,其巡检图像背景通常较为复杂,采用人工复核审查的方式精度较高,但对经验依赖较大且效率极低。如何快速、准确地识别架空线路巡检图片是架空输电线路缺陷识别的关键。传统输电线路巡检图片识别方法在复杂背景的干扰下,容易出现缺陷识别精确度不高的问题。【方法】为提高架空输电线路巡检图像复杂背景下的检测准确率,提出了一种兼顾识别效率和准确性的缺陷检测方法。基于压缩图像技术并结合YOLOv5模型,设计了一种基于稀疏卷积的非对称特征聚合压缩算法,将原始图像通过编码减少图像存储所需空间以便于存储和传输,经过信息通道传输到解密器后,再将压缩图像进行解码复原以提升局部集合特征的学习效率。同时,通过融入通道空间注意力模块从特征图中得到注意力通道权重矩阵和空间权重矩阵,并通过权重矩阵判断特征图区域的重要程度,完成对YOLOv5模型处理效率的提升。【结果】将压缩恢复后的图像输入改进YOLOv5模型中,利用通道注意力模块(CAM)和空间注意力模块(SAM)分别对图像进行通道与空间上的注意力数据处理,通过全局平均池化和最大池化处理增强目标区域的特征,并引入空间注意力模块增强通道注意力对特征位置信息的关注,以检测出存在缺陷的设备,并通过实验验证了方法的有效性。【结论】以某架空线路的巡检图像数据集为基础,对检测方法开展训练与测试,结果表明,巡检图像经所提技术压缩后,尺寸明显减小,恢复后的图像尺寸较原图约降低了3 MB且未出现失真;改进YOLOv5模型具有较高的检测精确度,其检测准确率和时间分别为0.91和0.87 s,算法在降低图像尺寸提升检测速度的同时保证了检测准确率。
展开更多
关键词
架空输电线路
缺陷检测
图像压缩
改进YOLOv5模型
非对称特征聚合编解码网络
通道空间注意力模块
逐通道稀疏残差卷积
检测准确率
在线阅读
下载PDF
职称材料
基于递进式特征增强聚合的伪装目标检测
被引量：
6
3
作者
谭湘粤
胡晓
+1 位作者
杨佳信
向俊将
《计算机应用》
CSCD
北大核心
2022年第7期2192-2200,共9页
伪装目标检测(COD)旨在检测隐藏在复杂环境中的目标。现有COD算法在结合多层次特征时,忽略了特征的表达和融合方式对检测性能的影响。为此,提出一种基于递进式特征增强聚合的COD算法。首先,通过主干网络提取多级特征;然后,为了提高特征...
伪装目标检测(COD)旨在检测隐藏在复杂环境中的目标。现有COD算法在结合多层次特征时,忽略了特征的表达和融合方式对检测性能的影响。为此,提出一种基于递进式特征增强聚合的COD算法。首先,通过主干网络提取多级特征;然后,为了提高特征的表达能力,使用由特征增强模块(FEM)构成的增强网络对多层次特征进行增强;最后,在聚合网络中设计邻近聚合模块(AAM)实现相邻特征之间的信息融合,以突显伪装目标区域的特征,并提出新的递进式聚合策略(PAS)通过渐进的方式聚合邻近特征,从而在实现多层特征有效融合的同时抑制噪声。在3个公开数据集上的实验表明,所提算法相较于12种最先进的算法在4个客观评价指标上均取得最优表现,尤其是在COD10K数据集上所提算法的加权的F测评法和平均绝对误差(MAE)分别达到了0.809和0.037。由此可见,所提算法在COD任务上拥有较优的性能。
展开更多
关键词
卷积神经网络
伪装目标检测
特征增强
邻近聚合模块
递进式聚合策略
在线阅读
下载PDF
职称材料
题名
基于CABFAM-Transformer的输电线路在线测距实测行波预分类方法
1
作者
唐玉涛
束洪春
刘皓铭
苏萱
韩一鸣
代月
机构
省部共建智能电网故障检测与保护控制协同创新中心(昆明理工大学)
昆明理工大学电力工程学院
出处
《电工技术学报》
北大核心
2025年第5期1455-1470,共16页
基金
国家自然科学基金重点资助项目(52337005)。
文摘
行波采集装置是电力系统保护与测距的重要设备,广泛应用于110 kV及以上输电线路,且正向配电网延拓。由于启动灵敏,非故障信息的采集给故障辨识与行波测距带来了挑战。该文提出了一种基于卷积注意力机制的特征聚合模块(CABFAM)与自适应Transformer模型的输电线路实测故障性质识别方法。首先,通过CBAM机制增强卷积层提取特征信息的表达与理解能力;然后,构建自适应编码层级调整机制的Transformer模型库,以获取多层次差异化特征信息;最后,利用云南电网110~220 kV输电线路的5076条实测数据及220 kV DL站H-P线的15924条伪实测数据进行训练与测试,针对16种典型行波数据进行分类。测试结果表明,该方法降低了模型参数量,提高了准确度,算法的多个关键指标均有不同幅度的提升,表现出优异的检测精度与识别效率。
关键词
行波采集装置
基于卷积注意力机制的特征聚合模块
cabfam
自适应Transformer
实测数据故障辨识
Keywords
Traveling wave acquisition device
convolutional
attention-based
feature
aggregation
module
(
cabfam
)
adaptive Transformer
measured data samples
fault identification
分类号
TM773 [电气工程—电力系统及自动化]
在线阅读
下载PDF
职称材料
题名
基于压缩图像与YOLOv5模型的架空输电线路缺陷检测技术
被引量：
1
2
作者
刘敏
姜亮
田杨阳
张璐
陈岑
机构
北京师范大学系统科学学院
国网河南省电力有限公司设备管理部
国网河南省电力有限公司电力科学研究院
出处
《沈阳工业大学学报》
北大核心
2025年第2期152-159,共8页
基金
河南省自然科学基金项目(2122300410147)
国家电网公司科技项目(5600-202046347A-0-0-00)。
文摘
【目的】输电线路作为电能传输和使用过程中的重要环节,其安全稳定对电力系统的正常运行起着至关重要的作用,因此输电线路日常巡检具有重要作用。重大事故通常由微小缺陷隐患发展而来,日常巡检通常采用人工、无人机、可视化通道等手段,无论何种方式都需要处理大量可视化、红外或者紫外照片。但由于输电线路的特殊性,架设条件涉及多种环境,其巡检图像背景通常较为复杂,采用人工复核审查的方式精度较高,但对经验依赖较大且效率极低。如何快速、准确地识别架空线路巡检图片是架空输电线路缺陷识别的关键。传统输电线路巡检图片识别方法在复杂背景的干扰下,容易出现缺陷识别精确度不高的问题。【方法】为提高架空输电线路巡检图像复杂背景下的检测准确率,提出了一种兼顾识别效率和准确性的缺陷检测方法。基于压缩图像技术并结合YOLOv5模型,设计了一种基于稀疏卷积的非对称特征聚合压缩算法,将原始图像通过编码减少图像存储所需空间以便于存储和传输,经过信息通道传输到解密器后,再将压缩图像进行解码复原以提升局部集合特征的学习效率。同时,通过融入通道空间注意力模块从特征图中得到注意力通道权重矩阵和空间权重矩阵,并通过权重矩阵判断特征图区域的重要程度,完成对YOLOv5模型处理效率的提升。【结果】将压缩恢复后的图像输入改进YOLOv5模型中,利用通道注意力模块(CAM)和空间注意力模块(SAM)分别对图像进行通道与空间上的注意力数据处理,通过全局平均池化和最大池化处理增强目标区域的特征,并引入空间注意力模块增强通道注意力对特征位置信息的关注,以检测出存在缺陷的设备,并通过实验验证了方法的有效性。【结论】以某架空线路的巡检图像数据集为基础,对检测方法开展训练与测试,结果表明,巡检图像经所提技术压缩后,尺寸明显减小,恢复后的图像尺寸较原图约降低了3 MB且未出现失真;改进YOLOv5模型具有较高的检测精确度,其检测准确率和时间分别为0.91和0.87 s,算法在降低图像尺寸提升检测速度的同时保证了检测准确率。
关键词
架空输电线路
缺陷检测
图像压缩
改进YOLOv5模型
非对称特征聚合编解码网络
通道空间注意力模块
逐通道稀疏残差卷积
检测准确率
Keywords
overhead transmission line
defect detection
image compression
improved YOLOv5 model
asymmetric
feature
aggregation
encoding and decoding network
channel-spatial attention
module
channel-by-channel sparse residual
convolut
ion
detection accuracy
分类号
TM755 [电气工程—电力系统及自动化]
在线阅读
下载PDF
职称材料
题名
基于递进式特征增强聚合的伪装目标检测
被引量：
6
3
作者
谭湘粤
胡晓
杨佳信
向俊将
机构
广州大学电子与通信工程学院
广州大学机械与电气工程学院
出处
《计算机应用》
CSCD
北大核心
2022年第7期2192-2200,共9页
基金
国家自然科学基金资助项目(62076075)。
文摘
伪装目标检测(COD)旨在检测隐藏在复杂环境中的目标。现有COD算法在结合多层次特征时,忽略了特征的表达和融合方式对检测性能的影响。为此,提出一种基于递进式特征增强聚合的COD算法。首先,通过主干网络提取多级特征;然后,为了提高特征的表达能力,使用由特征增强模块(FEM)构成的增强网络对多层次特征进行增强;最后,在聚合网络中设计邻近聚合模块(AAM)实现相邻特征之间的信息融合,以突显伪装目标区域的特征,并提出新的递进式聚合策略(PAS)通过渐进的方式聚合邻近特征,从而在实现多层特征有效融合的同时抑制噪声。在3个公开数据集上的实验表明,所提算法相较于12种最先进的算法在4个客观评价指标上均取得最优表现,尤其是在COD10K数据集上所提算法的加权的F测评法和平均绝对误差(MAE)分别达到了0.809和0.037。由此可见,所提算法在COD任务上拥有较优的性能。
关键词
卷积神经网络
伪装目标检测
特征增强
邻近聚合模块
递进式聚合策略
Keywords
convolutional
Neural Network(CNN)
Camouflaged Object Detection(COD)
feature
enhancement
Adjacency
aggregation
module
(AAM)
Progressive
aggregation
Strategy(PAS)
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于CABFAM-Transformer的输电线路在线测距实测行波预分类方法
唐玉涛
束洪春
刘皓铭
苏萱
韩一鸣
代月
《电工技术学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于压缩图像与YOLOv5模型的架空输电线路缺陷检测技术
刘敏
姜亮
田杨阳
张璐
陈岑
《沈阳工业大学学报》
北大核心
2025
1
在线阅读
下载PDF
职称材料
3
基于递进式特征增强聚合的伪装目标检测
谭湘粤
胡晓
杨佳信
向俊将
《计算机应用》
CSCD
北大核心
2022
6
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
