为了研究你只看一次(you only look once, YOLO)系列算法在电力行业目标检测领域的应用情况,分析其未来在该行业的发展趋势。首先分析了较新的YOLO版本10(YOLO version 10,YOLOv10)算法的网络结构,然后探讨了YOLO系列算法在电力行业从...为了研究你只看一次(you only look once, YOLO)系列算法在电力行业目标检测领域的应用情况,分析其未来在该行业的发展趋势。首先分析了较新的YOLO版本10(YOLO version 10,YOLOv10)算法的网络结构,然后探讨了YOLO系列算法在电力行业从发电、输电、变电到用电环节中目标检测的应用,最后从潜在改进方向、与大模型的融合2方面分析了YOLO系列算法的发展趋势。研究发现,YOLO系列算法在检测速度和精度方面取得了明显进展,特别是在电力行业的缺陷检测、故障检测、设备监控、智慧管理、安全监测等方面表现出极大的潜力;但在复杂背景下,该系列算法仍存在检测精度不高的问题。YOLO系列算法要在电力行业中实现更广泛的应用,还需进一步优化算法的速度与精度以应对实际应用中的挑战。展开更多
为解决目前你只看一次版本8(you only look once version 8,YOLOv8)算法的改进方法数量多、种类繁杂,缺少在同一数据集基准下目标检测效果对比的问题,基于视觉对象类别(visual object classes,VOC)(2007+2012)公开数据集,选取参数量较小...为解决目前你只看一次版本8(you only look once version 8,YOLOv8)算法的改进方法数量多、种类繁杂,缺少在同一数据集基准下目标检测效果对比的问题,基于视觉对象类别(visual object classes,VOC)(2007+2012)公开数据集,选取参数量较小的YOLOv8纳米型(YOLOv8 nano,YOLOv8n)算法作为基准模型,从注意力机制、主干网络、颈部网络、探测头以及损失函数5个方面进行改进,通过平均精确率均值(mean average precision,mAP)和检测速度筛选出最佳单一改进模块。进一步通过组合实验,得出mAP值最高、检测速度最快的2个组合模型。结果表明,相较于基准模型,效果最好的主干网络、颈部网络、探测头模块的mAP值分别提升了2.50%(Repvit)、1.75%(CGDown)、1.75%(DyHead),检测速度分别提升了12.85%(RGCSPELAN)、2.60%(WaveletPool)、20.22%(LSCD),效果最好的注意力机制模块的mAP值提升了1.88%(CAFM),而损失函数对mAP值和检测速度均无明显提升。相较于基准模型,mAP值最高的组合模型的mAP值提高了3.13%(YOLOv8n+CAFM+CGDown+DyHead),检测速度最快的组合模型的检测速度提高了31.11%(YOLOv8n+RGCSPELAN+LSCD);前者适用于高精确率目标检测场景,后者适合部署在对实时性要求较高的边缘计算设备中。该研究能为YOLOv8算法的改进提供参考。展开更多
针对长时间序列电力负荷的预测精度低的问题,应用了基于Informer长时间序列模型的电力负荷预测方法.该方法通过Informer模型中的自注意力蒸馏机制,使得每层的解码器都将输入序列的长度缩短一半,从而极大地节约了Encoder内存开销,并在编...针对长时间序列电力负荷的预测精度低的问题,应用了基于Informer长时间序列模型的电力负荷预测方法.该方法通过Informer模型中的自注意力蒸馏机制,使得每层的解码器都将输入序列的长度缩短一半,从而极大地节约了Encoder内存开销,并在编码器结构中使用生成式结构,使得预测解码时间极大的缩短;以澳大利亚的电力负荷数据作为测试用例,并与长短时记忆神经网络(long-short term memory,LSTM)和卷积神经网络(convolutional neural network,CNN)模型方法进行对比,结果表明,Informer模型的预测精度更高,Pearson相关系数可以达到91.30%,有效提高了负荷预测精度.展开更多
文摘为了研究你只看一次(you only look once, YOLO)系列算法在电力行业目标检测领域的应用情况,分析其未来在该行业的发展趋势。首先分析了较新的YOLO版本10(YOLO version 10,YOLOv10)算法的网络结构,然后探讨了YOLO系列算法在电力行业从发电、输电、变电到用电环节中目标检测的应用,最后从潜在改进方向、与大模型的融合2方面分析了YOLO系列算法的发展趋势。研究发现,YOLO系列算法在检测速度和精度方面取得了明显进展,特别是在电力行业的缺陷检测、故障检测、设备监控、智慧管理、安全监测等方面表现出极大的潜力;但在复杂背景下,该系列算法仍存在检测精度不高的问题。YOLO系列算法要在电力行业中实现更广泛的应用,还需进一步优化算法的速度与精度以应对实际应用中的挑战。
文摘为解决目前你只看一次版本8(you only look once version 8,YOLOv8)算法的改进方法数量多、种类繁杂,缺少在同一数据集基准下目标检测效果对比的问题,基于视觉对象类别(visual object classes,VOC)(2007+2012)公开数据集,选取参数量较小的YOLOv8纳米型(YOLOv8 nano,YOLOv8n)算法作为基准模型,从注意力机制、主干网络、颈部网络、探测头以及损失函数5个方面进行改进,通过平均精确率均值(mean average precision,mAP)和检测速度筛选出最佳单一改进模块。进一步通过组合实验,得出mAP值最高、检测速度最快的2个组合模型。结果表明,相较于基准模型,效果最好的主干网络、颈部网络、探测头模块的mAP值分别提升了2.50%(Repvit)、1.75%(CGDown)、1.75%(DyHead),检测速度分别提升了12.85%(RGCSPELAN)、2.60%(WaveletPool)、20.22%(LSCD),效果最好的注意力机制模块的mAP值提升了1.88%(CAFM),而损失函数对mAP值和检测速度均无明显提升。相较于基准模型,mAP值最高的组合模型的mAP值提高了3.13%(YOLOv8n+CAFM+CGDown+DyHead),检测速度最快的组合模型的检测速度提高了31.11%(YOLOv8n+RGCSPELAN+LSCD);前者适用于高精确率目标检测场景,后者适合部署在对实时性要求较高的边缘计算设备中。该研究能为YOLOv8算法的改进提供参考。
文摘针对长时间序列电力负荷的预测精度低的问题,应用了基于Informer长时间序列模型的电力负荷预测方法.该方法通过Informer模型中的自注意力蒸馏机制,使得每层的解码器都将输入序列的长度缩短一半,从而极大地节约了Encoder内存开销,并在编码器结构中使用生成式结构,使得预测解码时间极大的缩短;以澳大利亚的电力负荷数据作为测试用例,并与长短时记忆神经网络(long-short term memory,LSTM)和卷积神经网络(convolutional neural network,CNN)模型方法进行对比,结果表明,Informer模型的预测精度更高,Pearson相关系数可以达到91.30%,有效提高了负荷预测精度.
