智能电网的建设思路决定了远郊变电站异常入侵监测的无人化趋势,促进了变电站异常入侵智能检测方法的快速发展。现阶段尚未拥有该场景下异常入侵目标数据集,且现有的目标检测方法也未针对变电站边缘计算端进行轻量化优化设计,不适用于...智能电网的建设思路决定了远郊变电站异常入侵监测的无人化趋势,促进了变电站异常入侵智能检测方法的快速发展。现阶段尚未拥有该场景下异常入侵目标数据集,且现有的目标检测方法也未针对变电站边缘计算端进行轻量化优化设计,不适用于需要全天候实时监测的变电站边缘设备。针对上述问题,从实际应用需求出发,构建变电站异常入侵目标数据集(Dataset for Anomaly Invasion Targets in Substations,SAITD),基于YOLOv5s模型提出适用于变电站边缘检测设备的轻量化异常入侵目标检测网络YOLOv5-Substation。添加微小尺度目标特征提取层与上采样轻量化算子CARAFE,在扩大感受野的同时,充分保留特征图中多尺度目标的语义信息,从架构端提高原有模型的检测精度。基于知识蒸馏模型,使用网络剪枝(Network-slimming)策略对原有模型进行轻量化改进,在保证原模型检测精度的同时,加速模型推理。仿真实验表明,轻量化后的边缘端计算模型精度相较于YOLOv5s提高了3.3%,推理速度提升了41.9%,可为智能电网的全速运行提供强有力的数据基础、技术支撑与安全保障。展开更多
文摘智能电网的建设思路决定了远郊变电站异常入侵监测的无人化趋势,促进了变电站异常入侵智能检测方法的快速发展。现阶段尚未拥有该场景下异常入侵目标数据集,且现有的目标检测方法也未针对变电站边缘计算端进行轻量化优化设计,不适用于需要全天候实时监测的变电站边缘设备。针对上述问题,从实际应用需求出发,构建变电站异常入侵目标数据集(Dataset for Anomaly Invasion Targets in Substations,SAITD),基于YOLOv5s模型提出适用于变电站边缘检测设备的轻量化异常入侵目标检测网络YOLOv5-Substation。添加微小尺度目标特征提取层与上采样轻量化算子CARAFE,在扩大感受野的同时,充分保留特征图中多尺度目标的语义信息,从架构端提高原有模型的检测精度。基于知识蒸馏模型,使用网络剪枝(Network-slimming)策略对原有模型进行轻量化改进,在保证原模型检测精度的同时,加速模型推理。仿真实验表明,轻量化后的边缘端计算模型精度相较于YOLOv5s提高了3.3%,推理速度提升了41.9%,可为智能电网的全速运行提供强有力的数据基础、技术支撑与安全保障。
