【Energy and AI】基于多尺度特征融合与细化的变电站旋转目标检测

文摘   2024-09-09 09:05   天津  



https://doi.org/10.1016/j.egyai.2023.100294

  第一作者: Bin Li, The Key Laboratory of Smart Grid of Ministry of Education, Tianjin University, China

❖  通讯作者: Yalin Li, The Key Laboratory of Smart Grid of Ministry of Education, Tianjin University, China

Xinshan Zhu, The Key Laboratory of Smart Grid of Ministry of Education, Tianjin University, China

  作者邮箱: yalinli@tju.edu.cn, xszhu@tju.edu.cn


摘要

在现代能源系统中,变电站是输配电的核心。然而,相似的外观和小尺寸对电气设备的自动识别提出了重大挑战。为了解决这些问题,我们收集并标注变电站旋转设备数据集(SRDD)。在此基础上,基于脊椎-颈部-头部的经典结构模式,构建了特征融合与特征求精网络(F3RNet)。考虑到电气设备外形的相似性,设计了反卷积融合模块(DFM),增强了特征信息的表达。通过嵌入平衡特征金字塔(BFP)来聚合全局特征。通过考虑锚点和设备之间的特征对齐,构造特征精化以调整原始特征图,可以生成更精确的特征向量。为了解决电子器件间样本不平衡的问题,利用梯度协调机制(GHM)损耗调整每个样本的权重。消融实验在SRDD数据集上进行。与经典的目标检测网络相比,F3RNet具有最好的检测性能。同时,验证了基于全局特征图的特征能够有效地识别相似和小型设备。



详情可点击下方“阅读原文

Energy and AI是天津大学与Elsevier共同创办的国际学术期刊,内容涵盖人工智能技术应用于能源领域所取得的最新、最重要的研究进展。期刊最新的影响因子(IF)为9.6,CiteScore为16.5。欢迎广大学者踊跃投稿。我们的网址是:www.journals.elsevier.com/energy-and-ai


EAI能源与人工智能
天津大学官方期刊:Energy and AI
 最新文章