基于边端轻量级网络的电力仪表设备检测方法

• 作者: 崔昊杨 张雨阁 张驯 陈磊 江超 孙益辉
• 来源期刊: 电网技术
• 学科: 工学
• 关键词: 电力仪表设备 目标定位与识别 轻量级网络 迁移学习
• 年，卷（期）: 2022,（3）
• 所属期刊栏目: 电力系统|Power System
• 页码范围: 1186-1193
• 页数: 8页
• 分类号: TM721
• 语种: 中文
• DOI: 10.13335/j.1000-3673.pst.2021.0670

摘要

电力仪表设备边端智能化检测,是构建数字化变电站的必要环节.在利用移动边端视觉设备检测电力仪表时,边端算力难以实现对复杂环境下的小尺度、高似然目标图像的快速检测,为此,提出一种基于轻量级EF-YOLOv4网络的电力仪表图像目标检测方法.通过改进模型的主干特征网络,利用深度可分离卷积(depthwise separable convolutions,DSC)计算方法提取仪表多属性特征,同时降低模型计算复杂度,提高检测速度;改进特征融合结构,增加具有高分辨率以及颜色、纹理等仪表信息的浅层特征层,提升模型对小尺度仪表目标的注意力;融入最近邻快速特征匹配(fast library for approximate nearest neighbors,FLANN)方法,通过单位符号特征细粒度检测仪表目标.利用迁移学习参数共享机制调整模型权重,使模型快速适应于电力仪表小样本数据集.最后构建电力仪表图像测试集对模型进行验证.实验结果表明,相比于传统目标检测方法,所提方法对于电能表、电压表等多尺度、细粒度仪表设备图像的目标检测保持了较高的精确度与速度.可为电力仪表的可视化、信息化与智能化提供可行的技术方案及借鉴.