آخرین مهلت ارسال مقالات برای دوره ۴ -شماره ۱۲ -آذر ماه ۱۴۰۳:
(۲۵ آذر ماه ۱۴۰۳)
شناسایی عیب عایق های خطوط انتقال برق بر اساس مدل بهبودیافته شبکه سبک وزن با کمک بینایی کامپیوتری
دوره 4، شماره ۱۰، ۱۴۰۳، صفحات 26 - 47
1 دانشگاه فنی حرفه ای پسران یاسوج
2 دانشجو دانشگاه فنی و حرفه ای پسران یاسوج
چکیده :
هدف این کار اطمینان از عملکرد ایمن خطوط انتقال برق و کاهش هزینه ها و مشکلات نگهداری است. به بررسی کاربرد بینایی کامپیوتری ( CV) در شناسایی نقص خطوط انتقال برق می پردازد. علاوه بر این، این کار روشی را برای بهبود مدل شبکه سبک وزن برای ارائه یک مدل شناسایی موثر برای حل مشکل نقص خط انتقال برق پیشنهاد میکند. در مرحله اول، الگوریتمهای تقسیمبندی GraphCut و لاپلاس برای گسترش و وضوح تصویر خط انتقال الکتریسیته استفاده میشوند. ثانیا، با توجه به الگوریتم پیچیدگی قابل جداسازی عمق، یک مدل تشخیص عیب برای عایق خط انتقال برق بر اساس شبکه( You Only Look Once 4 (YOLOv4)پیشنهاد شده است. علاوه بر این، MobileNetV1 برای بهبود این مدل شبکه سبک وزن استفاده می شود. در نهایت، این کار از ImageNet، یک مجموعه داده عمومی بزرگ، برای اعتبارسنجی آزمایشی مدل پیشنهادی استفاده میکند. نتایج تحقیق نشان میدهد که: (1) در نتایج آزمایش مدل، همه شاخصهای تحقیقاتی مدل بیشتر از 90 درصد هستند که نشاندهنده دقت تشخیص عالی این مدل است. (2) مدل بهبودیافته YOLOv4 می تواند سرعت تشخیص را تا 53 فریم بر ثانیه با هزینه 2.4 درصد دقت افزایش دهد. (3) پس از وضوح تصویر، مدل بهبود یافته YOLOv4 توانایی تشخیص عیوب عایق را تا حد معینی ارتقا داده است. نتایج فوق نشان میدهد که مدل بهبود یافته YOLOv4 میتواند کارآمدتر و دقیقتر پیشبینی کند و موارد مثبت کاذب غیرضروری را کاهش دهد. این نشان می دهد که مدل پیشنهادی امکان پذیر است و انتظار می رود در عمل برای شناسایی نقص خطوط انتقال برق اعمال شود. این یافتهها بهطور کامل ارزش حیاتی این کار را در افزایش کارایی و دقت پیشبینی نشان میدهد، بنابراین ترجیح قوی برای شناسایی نقص خطوط انتقال برق در کاربردهای عملی ارائه میدهد.
هدف این کار اطمینان از عملکرد ایمن خطوط انتقال برق و کاهش هزینه ها و مشکلات نگهداری است. به بررسی کاربرد بینایی کامپیوتری ( CV) در شناسایی نقص خطوط انتقال برق می پردازد. علاوه بر این، این کار روشی را برای بهبود مدل شبکه سبک وزن برای ارائه یک مدل شناسایی موثر برای حل مشکل نقص خط انتقال برق پیشنهاد میکند. در مرحله اول، الگوریتمهای تقسیمبندی GraphCut و لاپلاس برای گسترش و وضوح تصویر خط انتقال الکتریسیته استفاده میشوند. ثانیا، با توجه به الگوریتم پیچیدگی قابل جداسازی عمق، یک مدل تشخیص عیب برای عایق خط انتقال برق بر اساس شبکه( You Only Look Once 4 (YOLOv4)پیشنهاد شده است. علاوه بر این، MobileNetV1 برای بهبود این مدل شبکه سبک وزن استفاده می شود. در نهایت، این کار از ImageNet، یک مجموعه داده عمومی بزرگ، برای اعتبارسنجی آزمایشی مدل پیشنهادی استفاده میکند. نتایج تحقیق نشان میدهد که: (1) در نتایج آزمایش مدل، همه شاخصهای تحقیقاتی مدل بیشتر از 90 درصد هستند که نشاندهنده دقت تشخیص عالی این مدل است. (2) مدل بهبودیافته YOLOv4 می تواند سرعت تشخیص را تا 53 فریم بر ثانیه با هزینه 2.4 درصد دقت افزایش دهد. (3) پس از وضوح تصویر، مدل بهبود یافته YOLOv4 توانایی تشخیص عیوب عایق را تا حد معینی ارتقا داده است. نتایج فوق نشان میدهد که مدل بهبود یافته YOLOv4 میتواند کارآمدتر و دقیقتر پیشبینی کند و موارد مثبت کاذب غیرضروری را کاهش دهد. این نشان می دهد که مدل پیشنهادی امکان پذیر است و انتظار می رود در عمل برای شناسایی نقص خطوط انتقال برق اعمال شود. این یافتهها بهطور کامل ارزش حیاتی این کار را در افزایش کارایی و دقت پیشبینی نشان میدهد، بنابراین ترجیح قوی برای شناسایی نقص خطوط انتقال برق در کاربردهای عملی ارائه میدهد.
کلمات کلیدی :
بینایی کامپیوتری شبکه سبک وزن پیچیدگی قابل تفکیک نمودار برش تقسیم بندی عایق خط انتقال برق
بینایی کامپیوتری شبکه سبک وزن پیچیدگی قابل تفکیک نمودار برش تقسیم بندی عایق خط انتقال برق
-
239
-
141
-
1403/03/10
-
1403/03/17
-
1403/03/22