其他
【精彩论文】基于语义信息距离解耦的变电运维多类别缺陷图像检测
观点凝练
摘要：变电站设备种类繁多、缺陷类型复杂、特征差异大，传统的基于深度学习的缺陷图像检测模型难以同时有效处理不同设备的多种缺陷。为此，提出了一种基于语义信息距离解耦的缺陷图像检测模型（sematic-distance based decoupling detection model，SDB-DDM）。首先对缺陷类别进行语义信息聚簇，构建解耦式网络结构，然后对网络输出进行加权锚框融合，并在损失函数中加入局部预测损失以提升预测能力，同时提出解耦式非极大值抑制策略以加快模型推理速度。该模型可根据缺陷类别进行自适应调整，以适用变电运维多类别缺陷图像检测的应用场景。实验结果显示，该模型的平均精度均值达到了69.68%。同平台下相较于目前性能最佳的目标检测模型（YOLOX），精度提升了1.36个百分点，参数量下降了5%，推理速度提升了34%。
结论：针对变电运维场景缺陷种类繁杂且不同缺陷类别间语义信息当前变电设备缺陷检测模型存储和计算成本高的问题，提出一种基于语义信息解耦的轻量化缺陷检测模型SDB-DDM。首先，通过分析变电巡检缺陷检测场景特征，提出一种基于类别SPP向量的变电设备缺陷类别分组策略；然后，根据分组结果搭建分散式检测模型，并进一步提出WAF与LPL改进策略以提升模型的检测精度与泛化能力；最后，在模型推理阶段，考虑到变电缺陷检测场景特征，提出一种D-NMS加快边框抑制过程，降低模型运算和存储需求量。
实验结果表明，WAF与LPL策略分别能在不增加模型推理时间的前提下使得模型的检测精度提升了7.06个百分点和8.19个百分点，二者的综合使用将模型精度提升了12.58个百分点。由此获得了具备较高检测精度的轻量化检测模型，从而对变电巡检缺陷类别间语义信息跨度较大的场景特征具备更好的应对能力。
引文信息
张鑫, 叶俊杰, 崔瑶, 等. 基于语义信息距离解耦的变电运维多类别缺陷图像检测[J]. 中国电力, 2023, 56(6): 209-218.ZHANG Xin, YE Junjie, CUI Yao, et al. Decoupled sematic distance based multi-class defect scene detecting for substations[J]. Electric Power, 2023, 56(6): 209-218.往期回顾
◀【精彩论文】供电分区场景下基于数据驱动的负荷密度综合评估及预测方法◀【精彩论文】基于K-means和BPNN的风机状态识别◀【精彩论文】考虑馈线交叉规避的海上风电场海缆路径优化◀【精彩论文】基于皮尔逊相关系数融合密度峰值和熵权法典型场景研究◀【征稿启事】“分布式智能电网的规划、运行和电力交易”专栏征稿启事◀【征稿启事】“新型能源体系下电碳协同市场机制及优化运行”专栏征稿启事◀【征稿启事】“面向碳达峰碳中和目标的清洁高效发电技术”专题征稿启事◀【征稿启事】“新型电力系统低碳规划与运行”专栏征稿启事
审核：方彤
根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。