基于深度学习的高压隔离开关分合状态检测算法研究
高压隔离开关的正常工作是电力系统稳定运行的前提.为正确识别隔离开关的分合状态,提出一种轻量化改进型 YOLOv5s 目标检测算法.首先,针对隔离开关数据集,采用二次优化 K-means++聚类算法重新获取锚框参数.然后,将模型中的损失函数由CIOU替换为具有更强收敛性能的EIOU,加快模型训练的收敛速度.最后,在模型主干特征提取网络的最后一层添加CBAM注意力模块,加强模型特征提取能力.在此基础上,采用通道稀疏化剪枝的方法对改进后的模型进行轻量化处理,减小模型体积和算力消耗.实验结果表明,改进后的模型识别平均精度均值到达 97.4%,轻量化处理后的模型大小为 3.92 MB,使得模型更加容易部署到移动端设备完成实时检测.
神经网络、隔离开关、模型轻量化、目标检测、深度学习
51
TP391.41;TM732;TP273
2023-10-31(万方平台首次上网日期,不代表论文的发表时间)
共10页
114-123