光伏板作为光伏发电系统的核心组件,其质量直接关系到发电效率和电路安全。然而,现有的光伏板缺陷检测算法在特征提取时未能充分结合卷积神经网络(convolutional neural network,CNN)与Transformer的优势,这在一定程度上限制了模型的整...光伏板作为光伏发电系统的核心组件,其质量直接关系到发电效率和电路安全。然而,现有的光伏板缺陷检测算法在特征提取时未能充分结合卷积神经网络(convolutional neural network,CNN)与Transformer的优势,这在一定程度上限制了模型的整体性能。为此,提出了一种基于全局与局部特征提取增强的光伏板缺陷检测算法(global and local feature enhanced YOLOX,GLF-YOLOX)。在编码阶段,结合CNN和Transformer的特长,设计了双分支主干网络,用于高效提取图像的局部细节和全局上下文信息。通过全局与局部增强注意力机制,动态融合全局与局部特征,增强模型对目标区域的关注能力并强化细节特征表达。设计了基于Transformer编码器层的检测头,用于精确建模全局特征并优化特征表达,从而显著提升分类任务的准确性。实验结果表明,所提算法在消融实验和对比实验中均表现优异,相较于主流目标检测方法,在平均精度(mean average precision,mAP)指标上提高了约4.5%,进一步验证了算法的有效性和优越性。展开更多
文摘光伏板作为光伏发电系统的核心组件,其质量直接关系到发电效率和电路安全。然而,现有的光伏板缺陷检测算法在特征提取时未能充分结合卷积神经网络(convolutional neural network,CNN)与Transformer的优势,这在一定程度上限制了模型的整体性能。为此,提出了一种基于全局与局部特征提取增强的光伏板缺陷检测算法(global and local feature enhanced YOLOX,GLF-YOLOX)。在编码阶段,结合CNN和Transformer的特长,设计了双分支主干网络,用于高效提取图像的局部细节和全局上下文信息。通过全局与局部增强注意力机制,动态融合全局与局部特征,增强模型对目标区域的关注能力并强化细节特征表达。设计了基于Transformer编码器层的检测头,用于精确建模全局特征并优化特征表达,从而显著提升分类任务的准确性。实验结果表明,所提算法在消融实验和对比实验中均表现优异,相较于主流目标检测方法,在平均精度(mean average precision,mAP)指标上提高了约4.5%,进一步验证了算法的有效性和优越性。
文摘10 kV电压互感器一般通过熔断器与高压母线连接,同时为防止电压互感器一、二次绝缘击穿,高电压窜入二次侧造成人身伤害和设备损坏,电压互感器必须有且只能有一个接地点,故障时通常二次电压输出会发生变化。电容式电压互感器(capacitor voltage transformer,CVT)受设计、工艺等因素的影响,运行中相对较易发生二次电压异常的故障。
