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
基于多尺度目标检测的蓄电池外观缺陷检测
1
作者
李洋
张建亮
+4 位作者
赵敏
巫健
韩超
党小燕
王慧芳
《太原理工大学学报》
北大核心
2025年第3期419-426,共8页
【目的】蓄电池故障常常伴随显著的外观缺陷。针对变电站蓄电池室蓄电池故障检测领域高度依赖人工检测的问题,提出一种基于图像识别的深度学习方法VoLoNet,用于实时检测监控录像,识别蓄电池外观缺陷。【方法】该算法基于YOLO v4框架,设...
【目的】蓄电池故障常常伴随显著的外观缺陷。针对变电站蓄电池室蓄电池故障检测领域高度依赖人工检测的问题,提出一种基于图像识别的深度学习方法VoLoNet,用于实时检测监控录像,识别蓄电池外观缺陷。【方法】该算法基于YOLO v4框架,设计了新的特征提取网络VoVNet-A,能够有效识别图像细粒度特征;改进了注意力模块CSAM作用于聚合特征,区分聚合特征不同通道、不同区域的重要性,能够有效过滤特征聚合带来的冗余特征;此外,还优化了预选框的选择;采用了多种数据增强手段扩充了缺陷数据,最终提升了蓄电池缺陷的检测效果。【结果】消融实验表明,以上改进能够不同程度地提升检测精度。对比实验表明,相比于常用的目标检测算法Fast RCNN、SSD-VGG16、YOLO v4,该方法对蓄电池缺陷的平均精度均值mAP分别提升11.5%、21.5%和3.3%,每秒处理帧数FPS分别增加16、12和4帧。
展开更多
关键词
蓄电池故障
缺陷检测
深度学习
YOLO
v4
VovNet
在线阅读
下载PDF
职称材料
基于双域稀疏Transformer的变电站设备故障预警方法
被引量：
4
2
作者
张建亮
李洋
+4 位作者
朱春山
薛泓林
马军伟
张丽霞
毕胜
《计算机科学》
CSCD
北大核心
2024年第5期62-69,共8页
利用变电站电气设备运行时产生的时间序列数据,可以构建其未来运行状态的预测模型,从而提前发现异常数据,排除故障隐患,提升变电站的稳定性和可靠运行能力。Transformer模型是一种新兴的序列化数据处理模型,在面对较长序列时更具优势,...
利用变电站电气设备运行时产生的时间序列数据,可以构建其未来运行状态的预测模型,从而提前发现异常数据,排除故障隐患,提升变电站的稳定性和可靠运行能力。Transformer模型是一种新兴的序列化数据处理模型,在面对较长序列时更具优势,可以满足故障预警前瞻性的需求。然而Transformer的模型结构使其具有较高的计算复杂度与空间占用率,难以直接应用到故障预警任务中。据此提出了一种基于时间序列预测的变压器设备故障预警方法,通过改进Transformer模型实现对设备运行数据的建模。该模型使用双塔式的编码器结构提取序列在频域和时域的特征,将时间特征数据和空间特征数据进行多维数据融合,从而提取更细致的信息。其次,用稀疏化处理的注意力机制代替标准的注意力机制,降低Transformer的计算复杂度和空间占用率,以满足实时预警的需求。在ETT变压器设备数据集上通过实验证明了所提模型的优越性,以及所改进的模块的必要性。相较于其他方法,该模型在多数预测任务中的MSE与MAE指数都达到了最优,尤其在长序列预测任务中表现出了更佳的性能,且预测速度更快。
展开更多
关键词
设备故障预警
时间序列预测
深度学习
TRANSFORMER
在线阅读
下载PDF
职称材料
基于改进Transformer的变电站复杂场景下电力设备分割
被引量：
4
3
作者
李洋
朱春山
+4 位作者
张建亮
高伟
薛泓林
马军伟
温志芳
《太原理工大学学报》
北大核心
2024年第1期57-65,共9页
【目的】变电站电力设备种类多设备之间连接关系复杂,普遍存在设备位置和图像对比较为单一,实际应用中只能获得有限数量的目标图像和标记以及传统方式分割带来的电力设备图像分割精度不够的问题,将卷积神经网络(Convolution Neural Netw...
【目的】变电站电力设备种类多设备之间连接关系复杂,普遍存在设备位置和图像对比较为单一,实际应用中只能获得有限数量的目标图像和标记以及传统方式分割带来的电力设备图像分割精度不够的问题,将卷积神经网络(Convolution Neural Network,CNN)与Transformmer结合组成新模型进行变电站电力设备的分割,提出了一种基于编解码器结构的新型SE-Transfomer(Substation Equipment Transformer)网络。【方法】为了获取局部上下文信息,编码器首先利用CNN提取空间特征图。同时,对特征图进行了精心改造,多尺度特征输入进行全局特征建模。该解码器利用Transformer提取全局深层特征,并进行逐步上采样来预测详细的分割图。SE-Transfomer在山西省梁家庄变电站数据集上进行广泛实验,其纵向结果的Dice系数(Dice)、召回率(Recall)、特异度(Specificity)和均方根误差(RMSE)分别为89.31%,90.52%,89.62%和11.32.【结果】结果表明,SE-Transfomer在变电站电力设备的扫描上获得了与以往最先进的分割方法相当或更高的结果。
展开更多
关键词
TRANSFORMER
CNN
图像分割
电力设备
变电站
在线阅读
下载PDF
职称材料
题名
基于多尺度目标检测的蓄电池外观缺陷检测
1
作者
李洋
张建亮
赵敏
巫健
韩超
党小燕
王慧芳
机构
国网山西信通公司
出处
《太原理工大学学报》
北大核心
2025年第3期419-426,共8页
基金
国网山西省电力公司科技项目资助(52051C220003)。
文摘
【目的】蓄电池故障常常伴随显著的外观缺陷。针对变电站蓄电池室蓄电池故障检测领域高度依赖人工检测的问题,提出一种基于图像识别的深度学习方法VoLoNet,用于实时检测监控录像,识别蓄电池外观缺陷。【方法】该算法基于YOLO v4框架,设计了新的特征提取网络VoVNet-A,能够有效识别图像细粒度特征;改进了注意力模块CSAM作用于聚合特征,区分聚合特征不同通道、不同区域的重要性,能够有效过滤特征聚合带来的冗余特征;此外,还优化了预选框的选择;采用了多种数据增强手段扩充了缺陷数据,最终提升了蓄电池缺陷的检测效果。【结果】消融实验表明,以上改进能够不同程度地提升检测精度。对比实验表明,相比于常用的目标检测算法Fast RCNN、SSD-VGG16、YOLO v4,该方法对蓄电池缺陷的平均精度均值mAP分别提升11.5%、21.5%和3.3%,每秒处理帧数FPS分别增加16、12和4帧。
关键词
蓄电池故障
缺陷检测
深度学习
YOLO
v4
VovNet
Keywords
battery faults
defects detection
deep learning
YOLO v4
VovNet
分类号
TP391 [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
基于双域稀疏Transformer的变电站设备故障预警方法
被引量：
4
2
作者
张建亮
李洋
朱春山
薛泓林
马军伟
张丽霞
毕胜
机构
国网山西信通公司
出处
《计算机科学》
CSCD
北大核心
2024年第5期62-69,共8页
基金
国网山西省电力公司科技项目资助(52051C220003)。
文摘
利用变电站电气设备运行时产生的时间序列数据,可以构建其未来运行状态的预测模型,从而提前发现异常数据,排除故障隐患,提升变电站的稳定性和可靠运行能力。Transformer模型是一种新兴的序列化数据处理模型,在面对较长序列时更具优势,可以满足故障预警前瞻性的需求。然而Transformer的模型结构使其具有较高的计算复杂度与空间占用率,难以直接应用到故障预警任务中。据此提出了一种基于时间序列预测的变压器设备故障预警方法,通过改进Transformer模型实现对设备运行数据的建模。该模型使用双塔式的编码器结构提取序列在频域和时域的特征,将时间特征数据和空间特征数据进行多维数据融合,从而提取更细致的信息。其次,用稀疏化处理的注意力机制代替标准的注意力机制,降低Transformer的计算复杂度和空间占用率,以满足实时预警的需求。在ETT变压器设备数据集上通过实验证明了所提模型的优越性,以及所改进的模块的必要性。相较于其他方法,该模型在多数预测任务中的MSE与MAE指数都达到了最优,尤其在长序列预测任务中表现出了更佳的性能,且预测速度更快。
关键词
设备故障预警
时间序列预测
深度学习
TRANSFORMER
Keywords
Equipment malfunction alarm
Time series forecasting
Deep learning
Transformer
分类号
TP391 [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
基于改进Transformer的变电站复杂场景下电力设备分割
被引量：
4
3
作者
李洋
朱春山
张建亮
高伟
薛泓林
马军伟
温志芳
机构
国网山西信通公司
出处
《太原理工大学学报》
北大核心
2024年第1期57-65,共9页
基金
国网山西省电力公司科技项目资助(52051C220003)。
文摘
【目的】变电站电力设备种类多设备之间连接关系复杂,普遍存在设备位置和图像对比较为单一,实际应用中只能获得有限数量的目标图像和标记以及传统方式分割带来的电力设备图像分割精度不够的问题,将卷积神经网络(Convolution Neural Network,CNN)与Transformmer结合组成新模型进行变电站电力设备的分割,提出了一种基于编解码器结构的新型SE-Transfomer(Substation Equipment Transformer)网络。【方法】为了获取局部上下文信息,编码器首先利用CNN提取空间特征图。同时,对特征图进行了精心改造,多尺度特征输入进行全局特征建模。该解码器利用Transformer提取全局深层特征,并进行逐步上采样来预测详细的分割图。SE-Transfomer在山西省梁家庄变电站数据集上进行广泛实验,其纵向结果的Dice系数(Dice)、召回率(Recall)、特异度(Specificity)和均方根误差(RMSE)分别为89.31%,90.52%,89.62%和11.32.【结果】结果表明,SE-Transfomer在变电站电力设备的扫描上获得了与以往最先进的分割方法相当或更高的结果。
关键词
TRANSFORMER
CNN
图像分割
电力设备
变电站
Keywords
transformer
CNN
image segmentation
electrical equipment
substation
分类号
TP391.9 [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
基于多尺度目标检测的蓄电池外观缺陷检测
李洋
张建亮
赵敏
巫健
韩超
党小燕
王慧芳
《太原理工大学学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于双域稀疏Transformer的变电站设备故障预警方法
张建亮
李洋
朱春山
薛泓林
马军伟
张丽霞
毕胜
《计算机科学》
CSCD
北大核心
2024
4
在线阅读
下载PDF
职称材料
3
基于改进Transformer的变电站复杂场景下电力设备分割
李洋
朱春山
张建亮
高伟
薛泓林
马军伟
温志芳
《太原理工大学学报》
北大核心
2024
4
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
