基于CenterNet的一次设备异常检测方法

• 作者: 陈志勇 李岩 王东华 李春彦 张建民 张淞杰
• 来源期刊: 计算机应用
• 关键词: 架空线路 一次设备 中心网络 深度学习 神经网络 异常检测
• 年，卷（期）: 2021,（z1）
• 所属期刊栏目: 前沿与综合应用|Frontier and comprehensive applications
• 页码范围: 304-307
• 页数: 4页
• 分类号: TP183|TM755
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2020060772

摘要

目前电网一次设备存在线路长、覆盖广的特点,传统的人工运维方式不仅工作压力大,且难以及时发现故障隐患.针对上述问题,提出了一种一次设备异常检测方法.首先,使用中心网络(CenterNet)算法对样本训练集进行学习,并且使用CenterNet最后包含的高层特征做异常检测;然后,根据检测到的关键点热力图来判断异常目标的宽高信息,动态调整检测框大小;最后,通过检测当前图像异常一次设备中心点得到异常检测结果.实验结果表明,所提方法在一次设备数据集上准确率为92.6％,相较于传统的快速的基于区域的卷积神经网络(Fast RCNN)模型,准确率提升了4.3％,验证了所提方法的有效性和先进性.