摘要：针对基于深度学习的目标检测技术应用于工业领域无法在移动端嵌入式设备上实现高效且准确的检测这一问题,提出一种基于YOLOv3改进的输电线路部件实时检测算法轻量级特征融合检测模型LFF-DM(Lightweight Feature Fusion Detection Model)。一方面通过改进式的K-means算法得到聚类结果;另一方面结合深度可分离卷积和倒残差块设计出轻量化的网络结构。通过在自建的包含绝缘子、悬垂线夹、防震锤、鸟巢与导地线的专业巡检数据集上进行实验,结果表明在NVIDIA Jetson AGX Xavier设备上可以实现25 FPS的检测速度及90.48%mAP的检测精度,适用于输电线路移动端实时精确巡检。

摘要：针对路面裂缝自动化检测中存在裂缝漏检和定位不准的问题,提出一种路面裂缝实时检测模型CrackNet。基于YOLOv5结构设计,在特征融合网络插入融合注意力模块,重点关注特定通道和空间位置裂缝信息,有效解决部分裂缝漏检问题;在多尺度预测阶段引入任务空间分离头模块,利用分治策略将分类和回归任务解耦,模型优化方向更加自由。实验结果表明,该方法mAP为71%,速度为42 FPS,优于基准模型,有效改善了裂缝漏检和定位不准的问题。

摘要：针对输电线路的多目标识别和缺陷检测中的错检和漏检等问题,提出SE-Faster RCNN模型。在Faster RCNN模型的基础上,将SENet模块嵌入到ResNet模型中,提取关键特征;优化候选框的生成方案;提出基于面积的非极大值抑制算法。通过微调U-Net模型的数据增广方法,构建样本量为23327的数据集,达到91.37%的检测mAP。实验结果表明,提出模型满足输电线路多目标识别和故障检测的鲁棒性和准确性要求。

摘要：激光光纤供能技术因其安全性和可靠性特别适合应用于电网监测设备的供电中。电网监测对激光光纤供能提出了瓦级功率需求,作为核心组件,具有高光电转换效率的激光光伏转换器(LPS)对供能系统的长期可靠运行至关重要。基于砷化镓(GaAs)的单PN结光伏转换器可在较低输出功率下获得很好的光电转换效率,但由于开路电压低,增加电流和输出功率会带来高电阻损耗,导致转换效率降低。因此研究了基于单片集成垂直串联多个PN结子电池以提高开路电压和输出功率的方法,并对研制的多结光伏转换器进行了表征测试。测试结果表明,五结光伏转换器的开路电压接近6 V,能以大于54%的转换效率输出5 W功率,且能在较大输出功率范围(约1 W~8 W)保持50%以上转换效率。具体应用中,可根据监测设备的负载功耗和工作条件做进一步优化设计。

摘要：针对输电线路无人机实时巡检过程中,通用目标检测算法在移动端运行速度过慢或无法运行的问题,提出一种将多尺度特征融合方法与输电线路关键部件的检测相结合的算法MSFF-KCD(Multi-Scale Feature Fusion in Key Component Detection)。该算法结合关键部件的特征,使用深度可分离卷积设计了特征提取网络DPNets,提高了算法在具有边缘计算能力的移动端ARM设备上的运行速度,同时采用多尺度特征融合方法,将分辨率低的特征图与分辨率高的特征图进行融合,使用多个特征融合后的特征图进行分类与检测,提高了算法的平均精度。选取了绝缘子、悬垂线夹、防震锤三类关键部件进行实验,结果表明,该算法在ARM设备上可达到每张66 ms的检测速度和86%的准确率,适用于移动端关键部件检测。