基于边端轻量级网络的电力仪表设备检测方法

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.

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

所属期刊栏目：46

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：上海市地方能力建设项目15110500900

在线出版日期：2022-03-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1186-1193