Modelo de Detección de Objetos en Tiempo Real para la Identificación de Violaciones en la Operación de Energía Eléctrica
Autores: Qian, Xiaoliang; Luo, Longxiang; Li, Yang; Zeng, Li; Chen, Zhiwu; Wang, Wei; Deng, Wei
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Modelo de Detección de Objetos en Tiempo Real para la Identificación de Violaciones en la Operación de Energía Eléctrica
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Modelo de detección de objetos
Desafíos
Precisión de detección
Eficiencia computacional
Módulo EPC2f
Cabezales de detección a múltiples escalas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El modelo de detección de objetos You Only Look Once (YOLO) se ha aplicado ampliamente a la identificación de violaciones en la operación de energía eléctrica, debido a su rendimiento equilibrado en precisión de detección y velocidad de inferencia. Sin embargo, aún enfrenta los siguientes desafíos: (1) capacidad de detección insuficiente para objetos de formas irregulares; (2) objetos con bajo contraste entre objeto y fondo son fácilmente omitidos; (3) mejorar la precisión de detección mientras se mantiene la eficiencia computacional es difícil. Para abordar los desafíos anteriores, se propone en este documento un nuevo modelo de detección de objetos en tiempo real, que introduce tres innovaciones clave. Para manejar el primer desafío, se propone un módulo de fusión parcial de percepción de bordes en etapas cruzadas con dos convoluciones (EPC2f) que combina convoluciones de bordes con convoluciones separables en profundidad, lo que puede mejorar la representación de características de objetos de formas irregulares con solo un ligero aumento en los parámetros. Para manejar el segundo desafío, se propone un módulo de combinación adaptativa de características locales y globales para mejorar la capacidad discriminativa de las características mientras se mantiene la eficiencia computacional, donde las características locales y globales se extraen respectivamente a través de convoluciones 1D y se combinan adaptativamente utilizando pesos aprendibles. Para manejar el tercer desafío, se propone un esquema de compartición de parámetros de cabezales de detección multi-escala para reducir el número de parámetros y mejorar la interacción entre los cabezales de detección multi-escala. El estudio de ablación en el conjunto de datos de la competencia Ali Tianchi valida la efectividad de los tres puntos de innovación y su combinación. EAP-YOLO logra un mAP@0.5 del 93.4% y un mAP@0.5-0.95 del 70.3% en el conjunto de datos de la competencia Ali Tianchi, superando a 12 otros modelos de detección de objetos mientras satisface el requisito de tiempo real.
Descripción
El modelo de detección de objetos You Only Look Once (YOLO) se ha aplicado ampliamente a la identificación de violaciones en la operación de energía eléctrica, debido a su rendimiento equilibrado en precisión de detección y velocidad de inferencia. Sin embargo, aún enfrenta los siguientes desafíos: (1) capacidad de detección insuficiente para objetos de formas irregulares; (2) objetos con bajo contraste entre objeto y fondo son fácilmente omitidos; (3) mejorar la precisión de detección mientras se mantiene la eficiencia computacional es difícil. Para abordar los desafíos anteriores, se propone en este documento un nuevo modelo de detección de objetos en tiempo real, que introduce tres innovaciones clave. Para manejar el primer desafío, se propone un módulo de fusión parcial de percepción de bordes en etapas cruzadas con dos convoluciones (EPC2f) que combina convoluciones de bordes con convoluciones separables en profundidad, lo que puede mejorar la representación de características de objetos de formas irregulares con solo un ligero aumento en los parámetros. Para manejar el segundo desafío, se propone un módulo de combinación adaptativa de características locales y globales para mejorar la capacidad discriminativa de las características mientras se mantiene la eficiencia computacional, donde las características locales y globales se extraen respectivamente a través de convoluciones 1D y se combinan adaptativamente utilizando pesos aprendibles. Para manejar el tercer desafío, se propone un esquema de compartición de parámetros de cabezales de detección multi-escala para reducir el número de parámetros y mejorar la interacción entre los cabezales de detección multi-escala. El estudio de ablación en el conjunto de datos de la competencia Ali Tianchi valida la efectividad de los tres puntos de innovación y su combinación. EAP-YOLO logra un mAP@0.5 del 93.4% y un mAP@0.5-0.95 del 70.3% en el conjunto de datos de la competencia Ali Tianchi, superando a 12 otros modelos de detección de objetos mientras satisface el requisito de tiempo real.