基于AHC-YOLO算法检测绝缘体的疏水性等级
Shaotong Pei1, Weiqi Wang1, Peng Wu2
1Hebei Provincial Key Laboratory of Power Transmission Equipment Security Defense, North China Electric Power University, 619 Yonghuabei Street, Baoding City, People's Republic of China.
Scientific reports
|March 21, 2025
概括
这项研究介绍了AHC-YOLO,这是一种轻量级的深度学习模型,用于准确检测复合材料绝缘体的疏水性. 它通过改善棚式识别和疏水性分类,降低计算负载来提高电力检查效率.
科学领域:
- 电气工程 电气工程
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 电力检查依赖于图像处理以提高效率和准确性.
- 由于复杂的背景和实时检测需求,复合绝缘体疏水性评估具有挑战性.
- 现有的深度学习模型对于实际的现场应用来说,可能需要大量的计算能力.
研究的目的:
- 开发一个精确和轻量级的YOLO算法,用于复合材料绝缘体的疏水性检测.
- 为了提高识别绝缘体棚的准确性,并对其疏水性水平进行分类.
- 为了满足实际功率检查操作中的实时检测要求.
主要方法:
- 集成高性能GPU网络 (HGNetv2),混合本地通道注意力机制 (MLCA) 和轻量卷积 (CSPPC).
- 实现了内部WIoU损失函数,以提高准确性和减少网络负担.
- 一个两阶段的策略,涉及绝缘体棚的识别,其次是疏水性级别的分类.
主要成果:
- 通过AHC-YOLO算法,棚检测准确度提高了5.77%,降低到5.8GFLOP.
- 水性级别分类的Top-1精度提高了4.994%,GFLOPs降至1.9.
- 除和比较实验验证了算法的有效性和优越性.
结论:
- 拟议的AHC-YOLO算法有效地解决了复合绝缘体疏水性检测的挑战.
- 该模型可显著降低计算复杂性,同时提高检测和分类准确性.
- 这项研究为实时电力检查需求提供了卓越和高效的解决方案.
