针对无规共聚聚丙烯(Polypropylene Random Copolymer,PPR)管铜嵌件缺陷复杂、多样性、尺度差异大的检测难点,提出了一种改进k均值聚类算法(K-means Clustering Algorithm,K-means)结合多尺度特征融合和注意力机制融入的改进YOLOv7(You ...针对无规共聚聚丙烯(Polypropylene Random Copolymer,PPR)管铜嵌件缺陷复杂、多样性、尺度差异大的检测难点,提出了一种改进k均值聚类算法(K-means Clustering Algorithm,K-means)结合多尺度特征融合和注意力机制融入的改进YOLOv7(You Only Look Once Version 7)模型检测方法。先用K-means++聚类生成各类缺陷集的平衡标签,再将平衡标签作为第二步K-means聚类的初始中心,使得聚类获得的初始锚框更适合本缺陷样本集。通过融入坐标注意力(Coordinate Attention,CA)机制使模型在检测复杂缺陷时更关注其重要特征,减少冗余特征的干扰。针对缺陷尺度差异性大的特点,采用多尺度特征融合增加了极小尺度检测模块。实验结果表明,改进后的YOLOv7模型比原始模型平均精度均值(Mean Average Precision,mAP)提升了2.29%,和其他主流检测算法相比,在维持检测速度基础上提升了检测精度。改进后的模型mAP达到89.21%,检测速度达到57帧/秒,具有较好的工业应用前景。展开更多
准确的户变关系是配网线损计算、故障定位和三相平衡等高级应用的基础。低压配网的户变关系辨识算法大多基于电压相关性原理,而电压相关性随供电半径增加而减弱,电压采集频次较低无法可靠捕获电压的“共性波动”,使得辨识准确率普遍不...准确的户变关系是配网线损计算、故障定位和三相平衡等高级应用的基础。低压配网的户变关系辨识算法大多基于电压相关性原理,而电压相关性随供电半径增加而减弱,电压采集频次较低无法可靠捕获电压的“共性波动”,使得辨识准确率普遍不高。提出了一种基于等距特征映射(isometric mapping,ISOMAP)降维和改进K-means聚类的户变关系辨识方法,为了增长电压序列的时间尺度,首先研制基于窄带物联网(narrow band internet of things,NB-IoT)技术的智能电表本地通信模块,优化电压采集方案,提高电压采集频次至288点/d;其次将各节点之间的拓扑关系视为高维流型,采用ISOMAP对高维矩阵进行降维处理;最后利用测地距离对K-means算法改进,做聚类计算得到最终户变关系辨识结果。所提算法提高了节点之间的距离置信度,与主成分分析法(principal component analysis,PCA)和K-means算法相比,所提算法对户变关系辨识准确率高达97.1%,在配网实际运行的数据验证了所提算法的辨识有效性。展开更多
文摘针对无规共聚聚丙烯(Polypropylene Random Copolymer,PPR)管铜嵌件缺陷复杂、多样性、尺度差异大的检测难点,提出了一种改进k均值聚类算法(K-means Clustering Algorithm,K-means)结合多尺度特征融合和注意力机制融入的改进YOLOv7(You Only Look Once Version 7)模型检测方法。先用K-means++聚类生成各类缺陷集的平衡标签,再将平衡标签作为第二步K-means聚类的初始中心,使得聚类获得的初始锚框更适合本缺陷样本集。通过融入坐标注意力(Coordinate Attention,CA)机制使模型在检测复杂缺陷时更关注其重要特征,减少冗余特征的干扰。针对缺陷尺度差异性大的特点,采用多尺度特征融合增加了极小尺度检测模块。实验结果表明,改进后的YOLOv7模型比原始模型平均精度均值(Mean Average Precision,mAP)提升了2.29%,和其他主流检测算法相比,在维持检测速度基础上提升了检测精度。改进后的模型mAP达到89.21%,检测速度达到57帧/秒,具有较好的工业应用前景。
文摘准确的户变关系是配网线损计算、故障定位和三相平衡等高级应用的基础。低压配网的户变关系辨识算法大多基于电压相关性原理,而电压相关性随供电半径增加而减弱,电压采集频次较低无法可靠捕获电压的“共性波动”,使得辨识准确率普遍不高。提出了一种基于等距特征映射(isometric mapping,ISOMAP)降维和改进K-means聚类的户变关系辨识方法,为了增长电压序列的时间尺度,首先研制基于窄带物联网(narrow band internet of things,NB-IoT)技术的智能电表本地通信模块,优化电压采集方案,提高电压采集频次至288点/d;其次将各节点之间的拓扑关系视为高维流型,采用ISOMAP对高维矩阵进行降维处理;最后利用测地距离对K-means算法改进,做聚类计算得到最终户变关系辨识结果。所提算法提高了节点之间的距离置信度,与主成分分析法(principal component analysis,PCA)和K-means算法相比,所提算法对户变关系辨识准确率高达97.1%,在配网实际运行的数据验证了所提算法的辨识有效性。
