融合BiFPN和注意力机制的电力设备异常检测算法

邹琬; 杨玥坪; 廖文龙; 刘睿; 王振宇; 孙璐; 唐浩

doi:10.16527/j.issn.1003-6954.20250109

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

融合BiFPN和注意力机制的电力设备异常检测算法

电力运检技术 | 更新时间：2026-02-13

- 融合BiFPN和注意力机制的电力设备异常检测算法
- 融合BiFPN和注意力机制的电力设备异常检测算法
- 四川电力技术 2025年48卷第1期页码：63-71
- 作者机构：
  
  1. 国网四川省电力公司
  2. 国网四川省电力公司电力科学研究院
  3. 西南交通大学信息科学与技术学院
- 作者简介：
- 基金信息：
  
  国网四川省电力公司科技项目“基于异常事件驱动的变电站智能巡检技术研究”(521997230014)
- DOI：10.16527/j.issn.1003-6954.20250109
  中图分类号： TM50;TP18;TP391.41
- 纸质出版：2025
- 稿件说明：
移动端阅览
邹琬, 杨玥坪, 廖文龙, 等. 融合BiFPN和注意力机制的电力设备异常检测算法[J]. 四川电力技术, 2025,48(1):63-71.

邹琬, 杨玥坪, 廖文龙, et al. 融合BiFPN和注意力机制的电力设备异常检测算法[J]. 2025, 48(1): 63-71.
邹琬, 杨玥坪, 廖文龙, 等. 融合BiFPN和注意力机制的电力设备异常检测算法[J]. 四川电力技术, 2025,48(1):63-71. DOI： 10.16527/j.issn.1003-6954.20250109.

邹琬, 杨玥坪, 廖文龙, et al. 融合BiFPN和注意力机制的电力设备异常检测算法[J]. 2025, 48(1): 63-71. DOI： 10.16527/j.issn.1003-6954.20250109.

摘要

为提高电力设备异常检测的精度，提出以融合双向加权特征金字塔网络(BiFPN)和三重注意力(TA)机制改进Yolov5s的电力设备异常检测方法。首先，融合BiFPN是在特征融合结构中加入跨尺度连接线以保留更多深层的语义信息，可以有效促进目标的分类识别和位置精确定位；然后，加入采用三分支结构的注意力机制能够更好地提取空间交互注意力和通道空间交互注意力，抑制无用的特征信息；最后，通过采用Soft NMS来取代传统的NMS算法可以有效减少目标的遗漏，并提升检测的准确性。实验数据显示，改进后的YOLOv5s网络模型相较于原始YOLOv5s模型，精确率从88.3%提升至90%

召回率从89%提升至93%

mAP@0.5值从88.7%提升至92.8%

有效地提高了检测精度。

Abstract

关键词

Keywords

references

Zhang Tong,Zhang Yinan,Xin Min,Liao Jiashe,Xie Qingfeng.A Light-Weight Network for Small Insulator and Defect Detection Using UAV Imaging Based on Improved YOLOv5.[J].Sensors (Basel, Switzerland),2023.

Gu Ran,Wang Guotai,Song Tao,Huang Rui,Aertsen Michael,Deprest Jan,Ourselin Sebastien,Vercauteren Tom,Zhang Shaoting.CA-Net: Comprehensive Attention Convolutional Neural Networks for Explainable Medical Image Segmentation.[J].IEEE transactions on medical imaging,2020.

Ke Li,Gang Wan,Gong Cheng,Liqiu Meng,Junwei Han.Object detection in optical remote sensing images: A survey and a new benchmark[J].ISPRS Journal of Photogrammetry and Remote Sensing,2020.

Tan M.,Pang R.,Le Q.V..EfficientDet: Scalable and efficient object detection[J].Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2020.

丁江桥,文屹,吕黔苏,张迅,范强,黄军凯.基于时间序列和神经网络的电力设备状态异常检测方法[J].电测与仪表,2024(02).

张晶,吕京国,张济勇,杨依然.边缘约束的遥感影像建筑物施工变化检测[J].测绘科学,2023(12).

赵云龙,田生祥,李岩,罗龙,齐鹏文.基于注意力模型和Soft-NMS的输电线路小目标检测方法[J].电子科技大学学报,2023(06).

蔡嘉磊,茅智慧,李君,吴鑫.基于深度学习的目标检测算法与应用综述[J].网络安全技术与应用,2023(11).

尚明鹏,周敏,陈燕军,李鑫炎.融合BiFPN与YOLO v5网络的工厂火灾检测[J].智能计算机与应用,2023(10).

王道累,张世恒,袁斌霞,赵文彬,朱瑞.基于改进YOLOv5的轻量化玻璃绝缘子自爆缺陷检测研究[J].高电压技术,2023(10).

陈奎,刘晓,贾立娇,方永丽,赵昌新.基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测[J].高电压技术,2024(03).

严宇,张宏伟,肖奕,江维.基于轻量级卷积网络的电力绝缘子视觉检测[J].电力科学与工程,2022(12).

马学森,马吉,蒋功辉,许雪梅,周天保.基于注意力机制和多尺度特征融合的绝缘子缺陷检测方法[J].南京大学学报(自然科学),2022(06).

齐冬莲,韩译锋,周自强,闫云凤.基于视频图像的输变电设备外部缺陷检测技术及其应用现状[J].电子与信息学报,2022(11).

王瑞婷,王海燕,陈晓,耿信哲,雷涛.基于混合卷积与三重注意力的高光谱图像分类网络[J].智能系统学报,2023(02).

苟军年,杜愫愫,王世铎,张昕悦.轻量化特征融合的CenterNet输电线路绝缘子自爆缺陷检测[J].北京航空航天大学学报,2024(07).

叶树芬,施振华,苏成悦,梁立翀,黄海润,关家华.基于YOLOv5的电力线和杆塔实时检测算法研究[J].计算机测量与控制,2022(11).

赵大贺,姚晓通.基于轻量级卷积网络的复杂背景下接触网绝缘子识别[J].电瓷避雷器,2022(03).

王旭红,李浩,樊绍胜,蒋志鹏.基于改进SSD的电力设备红外图像异常自动检测方法[J].电工技术学报,2020(S1).

浏览量

165

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多任务学习的变电站设备腐蚀检测

电力负荷预测研究综述