电力作业现场安全智能管控技术研究及应用

随着国内电网建设结构日趋复杂和新技术、新设备的大量应用,目前在电网运检、基建施工过程中存在运 维设备多、施工周期长和涉及面广的特点,现有的安全管控手段已不能满足现阶段电力建设要求,只有在电力生产建 设中进行安全防范和督查的全覆盖,加强对分散、临时、协作等作业项目的安全管控力度,才能有效做到安全监管和 安全预控.电力作业现场安全智能管控监控通过软件B/S架构实现,基于图像识别的人工智能、物联网、边缘计算等 技术手段,分析生产过程中的监管要求,设计工作区人脸识别、安全帽佩戴、工作着装、现场火情等在线监测项目, 将解决监管体系力量薄弱、全过程监管缺乏、管控智能化水平低的难题.系统将有效提高电力作业现场的智能管控水 平,保障电力安全生产的顺利实施.     

面向复杂环境的YOLOv8安全装备检测

为解决现有安全帽和反光衣检测模型对小目标和复杂天气中目标检测精度低、环境干扰因素大、难以在性能一般移动设备部署等问题,设计实现一种改进YOLOv8安全装备检测模型YOLOv8-DSI。首先,设计基于残差思想和并行空洞卷积的DR-SPPF模块,进一步扩大感受野且不损失图像分辨率,显著提升复杂天气检测精度;其次,在特征融合阶段设计结构轻量特征金字塔网络ST-BiFPN,进一步减小模型参数量,实现高效多尺度特征融合;最后,引入Inner-ShapeIoU损失函数,使得边界框回归更加准确,增强检测效果。在自建数据集上,相较于基线模型mAP50和mAP50:95分别提升了2.1%和4.7%,而模型参数量仅为2.4 M,计算量仅为7.3 G,分别降低了10.9%和20.0%。最终将改进模型部署到Jetson Orin Nano边缘设备,通过在开发板实际运行证明,改进后模型在复杂场景下有效性和可应用性。     

基于改进YOLOv3-Tiny的毫米波图像目标检测

毫米波是一种不具有电离辐射的电磁波,其能够穿透绝缘衣物布料和对人体无害的特性使得毫米波在人体安检领域有着巨大的发展前景。将深度学习方法运用至毫米波图像目标检测领域,提出一种基于改进YOLOv3-Tiny的毫米波图像目标检测方法。首先,在特征提取网络中增加卷积层提升网络深度,并增加至3个不同尺度的预测层加强对毫米波图像目标的检测能力;然后,在FPN特征金字塔(feature pyramid network)中引入CBAM注意力机制(convolutional block attention module),使网络更关注毫米波图像中待测目标的特征,忽略背景噪声冗余的特征。结果表明：改进后的网络平均准确率可达93.4%,单帧检测速度为15ms,模型参数仅为38.7M,为毫米波安检系统高精度、小型化的研究提供了参考价值。     

电力作业现场智能安全监督研究与应用

针对目前电力作业现场安全监督过度依赖于人工、自动化智能化程度低,从智能安全监督的监督内容、方法以及监督算法上展开研究,并基于深度感知摄像头、图像识别、机器学习等技术,实现了对作业现场人员安全生产行为的实时监视和智能预警,能大幅提高作业现场安全管控的自动化与智能化水平以及对作业现场行为违章的威慑力,其研究成果在多个变电站、换流站以及实验室等典型作业场景下得到成功应用,显著提升了作业现场安全生产水平。     

基于EfficientNet的轻量化行人检测算法

针对当前行人检测过程中存在速度慢、精确率不高以及高复杂度运算的问题,提出一种兼顾轻量化与检测精确率的卷积神经网络算法(ECG-YOLO)。该算法采用EfficientNetv2与坐标注意力(coordinate attention, CA)模块重新设计主干网络,提升网络的检测速度及精度。设计参数量和计算量更小的GhostConv模块以降低特征通道融合过程中的计算量。加入自适应Gamma校正算法减少复杂场景下光照等因素的影响。改进后的算法在NVIDIA TX2开发板上测试,检测精度达91%以上,较原算法提高了1.7%,参数量和计算量分别为原算法的40.8%和36.3%,具有较好的检测精度与实时性。     

基于改进YOLOv5算法的鸟巢检测方法

深度学习技术的快速发展推动了电力智能安防的自动化进程.电力场景中用于高压电力塔和接触网搭建的复杂钢结构往往成为铁路沿线鸟类筑巢之所,给电力系统安全运行带来了隐患.因此,使用深度学习技术及时发现并清理鸟巢具有重要的实际意义.提出了一种基于改进YOLOv5的鸟巢检测方法,该方法在YOLOv5基础上考虑了鸟巢本身所独有的黑色属性和错综复杂的纹理特性,采用注意力机制强化鸟巢检测过程中对上述特征的学习.同时,根据电力场景中采集的实际鸟巢数据对该方法开展的验证性实验取得了良好的检测效果,算法检测性能达到88.6％,相比其他经典检测算法高1.5％以上.     

基于改进YOLOv4-Tiny算法的绝缘子缺陷检测

为了实现恶劣天气条件下的绝缘子缺陷的实时检测,提出了一种改进的YOLOv4-Tiny绝缘子缺陷检测算法。通过对收集到的绝缘子数据集增加雨雪雾特效以及随机添加运动模糊进行数据集扩充,引入Focal Loss和EIOU设计检测器的损失函数,提高模型分类与回归精度,并在原始模型基础上嵌入一种轻量型的坐标注意力机制,以增强模型对检测目标位置的敏感性。实验结果表明,改进后的算法较原算法均值平均精度(mAP)提升了4.04%,同时该算法具备一定的实时检测能力。此外,改进后的YOLOv4-Tiny算法在恶劣天气下的绝缘子检测任务中具有良好的性能。     

面向石英坩埚的小气泡检测算法研究

针对石英坩埚气泡检测现有方法实时性差及小目标检测能力不足的问题,提出了一种改进YOLOv5的石英坩埚气泡检测算法YOLOv5-QCB。首先,自建石英坩埚气泡数据集,根据气泡尺寸小且分布密集的特点,减少网络下采样的深度,保留丰富的细节特征信息;同时,在颈部使用空洞卷积以增大特征图感受野,实现全局语义特征的提取;最后,在检测层前添加有效通道注意力机制,增强重要通道特征的表达能力。实验结果表明,相比于原模型,改进后YOLOv5-QCB能有效降低对小气泡的漏检率,平均检测精度从96.27%提升到98.76%,权重缩减了二分之一,能够实现快速、准确检测石英坩埚气泡数量。     

基于电力检修安全作业的智能监测终端设计

针对电力检修对象急剧增多、作业现场尤其偏僻区域监测手段匮乏的现状,设计了一种适用于电力检修现场安全作业的智能监测终端。首先分析了目前电力检修安全作业措施和存在的问题;其次基于电力检修场景的多样化,设计了智能监测终端的功能、整体结构、供电电源和通信方案,并研究了该终端的监测策略;最后将设计的智能监测终端与目前已应用的视频监控系统进行对比,结果表明设计的智能监测终端携带和部署简便、预警快速、不依赖外部电源即可随时随地对电力检修作业开展监测,具有更广泛的实际应用范围。     

基于信息化的安全风险智能管控

为解决当前安全风险管控存在的问题,利用现有资源与信息化手段,采用“平台+APP+智能终端”方式,构建安全风险智能管控平台。将风险辨识和评估标准化、流程化,落实安全风险分级管控以及班组人身安全风险预控等措施,实现对现场作业的有效监管,强化风险辨识、评估与分级管理,提升企业安全水平。     

农配网作业现场安全风险管控示意图的应用

针对农配网电气作业人员专业素质低易发生人身伤害事故的问题,提出了一种"安全风险管控示意图"的作业模式,介绍了安全风险管控示意图的构成、绘制流程及应用情况,阐述了安全风险管控示意图在实践过程中取得的实效。     

一种瓷支柱绝缘子红外图像目标检测算法

利用红外热像法检测瓷支柱绝缘子是否存在异常发热,是变电站支柱绝缘子故障诊断的主要方法之一。结合计算机视觉技术提出了一种针对瓷支柱绝缘子红外图像的轻量级目标检测模型。首先,在深度可分离卷积中加入膨胀卷积核,有效增大输出单元的感受野,减少参数量。然后,使用得到的DMobilenet网络结构替换YOLOv7中的主干网络ELANCSP,并采用SJS（剪切、抖动、缩放）方法扩充样本数量,同时引入迁移学习、Mosaic数据增强、余弦退火等算法提高模型泛化能力。最后,将该模型与YOLOv4、YOLOv5、YOLOv7、G-Adaboost目标检测算法进行了性能对比。实验结果表明,该模型在保证准确率和速度的同时,具有更强的鲁棒性和泛化能力,且模型更轻量化。     

ECC-YOLO：一种改进的钢材表面缺陷检测方法

针对当前钢材表面缺陷检测效率低、检测精度差的问题,提出了一个模型,命名为ECC-YOLO,基于YOLOv7的钢材表面缺陷检测。首先,为了提高主干网络特征图信息表征能力,引入了特征增强模块ConvNeXt,通过融合深度可分离卷积、大核卷积,增强模型对细小裂缝的特征提取能力,其次设计了C2fFB模块,在增强目标特征信息的提取能力同时,显著降低了模型的计算量和参数复杂性。最后借助ECA注意力机制设计出MPCE模块,削弱复杂背景信息对钢表面缺陷检测的干扰,提升检测效率。最后,广泛的实验结果表明,ECC-YOLO在NEU-DET数据集上,该模型的mAP达到77.2%,相较于YOLOv7,ECC-YOLO的检测精度提高了10.1%,模型参数量减9.3%,该模型在钢表面缺陷检测中具有较好的综合性能。     

一种基于残差网络优化的航拍小目标检测算法

针对在复杂背景下的遥感小目标与周围场景因特征相似度高而导致的小目标检测正确率低的问题,提出一种基于残差网络优化的航拍小目标检测算法。首先,在YOLOv5网络中引入改进的SE＿ECSP模块,减少网络计算参数的同时,使得小目标的特征权重在网络在卷积池化过程中得以提升;然后,在网络的Prediction中添加一个160×160的检测层,对小目标的细节信息进行局部放大与提取;最后,选取CIoU和NMS作为损失函数对同一网格中的候选框进行多次循环结构的判断和筛选,从而有效避免小目标的漏检问题。实验结果表明,改进后的网络用于遥感小目标检测的查准率为85.12%,损失函数值为0.048 41,相比改进前的网络检测精度和鲁棒性得以提升。     

基于机器视觉的配网工程安全管控检测方法

针对配电网工程在施工现场受外界环境干扰因素多、现场监管难度大等问题,提出了一种基于改进的YOLOv5网络模型的配电网工程实时检测方法,并对配电网工程图像精确识别及缺陷检测进行了研究。首先,对配电网工程现场样本数据集进行标注,改进YOLOv5网络的特征提取网络,以加快多尺度融合并提高小目标物体检测的精度。在此基础上,改进损失函数、非极大值抑制模块,提高模型的识别精度与收敛速度。最后,经过Darknet深度学习模型对识别样本进行多次迭代训练,保存最优权重数据用于测试集的测试。算法通过 TensorBoard 可视化工具显示训练和测试结果。测试结果表明,每种配电网样本的平均识别准确率可达到95%以上,图片的识别速度可达到140 帧/s。同时,所改进算法检测准确率高,实时性强,满足工程现场实时使用需求。     

深度学习陶瓷表面缺陷检测算法研究

传统的陶瓷缺陷检测主要依赖人工目测或放大镜观察,为解决检测效率低、结果主观性强等问题,提出了一种基于深度学习的陶瓷表面缺陷检测算法,针对于陶瓷杯表面的缺陷具体情况,在YOLOv5目标检测模型的基础上,增加小目标检测层,同时使用位置注意力机制进行特征重构提高检测的精确度,实现了高精度的缺陷检测。针对实际生产中的陶瓷双层杯进行数据采集训练,并对于每批数据进行推理,最终平均检测精度达到了95.4%。本文所改进的YOLOv5缺陷检测模型拥有更高的准确率、识别速度快等优点,可以极大地减少陶瓷质检减少人力物力的损耗与时间成本。     

基于改进YOLOv7的输电线路绝缘子设备及其缺陷检测算法

针对输电线路无人机巡检中绝缘子设备及缺陷图像检测过程中存在的绝缘子目标尺寸变化大、缺陷目标尺寸小、背景复杂干扰多和难易样本不平衡等问题,提出一种基于改进YOLOv7的绝缘子设备及缺陷检测算法：1）针对绝缘子缺陷目标尺寸小问题,在YOLOv7特征提取网络浅层引入卷积注意力机制,聚焦缺陷;2）针对绝缘子目标尺度变化大问题,在YOLOv7特征提取网络底部引入感受野增强模块,提取不同尺度目标特征;3）针对背景干扰问题,改进YOLOv7特征融合网络,在顶部引入显示视觉中心模块,同时关注全局信息与局部信息;4）针对难易样本不平衡问题,使用Focal-EIoU损失替换YOLOv7坐标回归损失。在合并的绝缘子及其缺陷无人机图像公开数据集上,该算法的多类目标检测精度均值达到了97.36%。     

基于改进 YOLOv7 模型的血细胞检测算法研究

在医学上,血细胞计数检测是衡量人体健康与否的重要诊断方法,但是血细胞图像中存在小目标和重叠目标的检测 难点。针对上述问题,提出一种改进的YOLOv7 目标检测算法。通过对原始的 YOLOv7 网络增加全局注意力机制(GAM), 提升网络的感受野,提高对小目标的检测精度;提出融合了加权双向特征金字塔网络(BiFPN) 和递归门控卷积 HorNet 的特 征金字塔 HorNet-BiFPN 结构,利用其高阶空间交互作用增强网络的特征融合能力,实现对红细胞重叠区域的建模,解决对重 叠红细胞的检测问题。实验结果表明,改进的 YOLOv7 模型的检测精确率达到了96.3%,对单张图片的检测时间达到了 74ms, 对图像中的3类细胞均实现了较强的检测效果,达到了医学辅助诊断的合理性。     

互感器现场测试安全智能保护系统建设的应用技术探讨

电力互感器现场测试安全随着电力互感器测试工况的变化而变化.近几年来,互感器现场测试工作也方兴未艾.实践中,我们发现电力互感器现场测试的工作量日益增多,测试安全需要迫在眉睫,但是针对其测试的安全要素及系统研究少之甚少.本文就是针对目前电力互感器的现场测试安全设备及安全要素的分析做了一些安全智能防护产品应用的探讨.