Enhanced Detection of Electric Power Facilities Utilizing a Re-Parameterized Convolutional Network
Notice bibliographique
Résumé
In electrical grid management, the integration of deep learning and digital twin technology constitutes a pivotal component of contemporary power network systems.The foundation of the intelligent digital electrical grid rests upon the meticulous collection of edge facility information, necessitating rapid and precise identification of electric power facilities for both civilian and military utilization within digital grid systems.This study introduces a novel object detection methodology tailored for a diverse array of electric power facilities, leveraging a re-parameterized Mask Region-based Convolutional Neural Network (Mask R-CNN) augmented by transfer learning techniques.A multi-scale dataset of electric facilities was developed, facilitating the training and testing of the proposed model on images featuring manually annotated electric power facilities.These facilities are categorized into two distinct groups based on target scale, encompassing utility poles, transformers, insulators, cross arms, and wire clips.To enhance the efficiency of bounding region localization, the Mean Shift (MS) algorithm was employed to adjust the size of anchors within the Region Proposal Network (RPN), thereby streamlining the detection process.Experimental outcomes reveal that, in comparison to the original model, the reparameterized Mask R-CNN (Rep-Mask R-CNN) demonstrates a 6.17% increase in mean Average Precision (AP) and a 33% reduction in inference time.Equipped with a geolocation module, Unmanned Aerial Vehicles (UAVs) deploying this model can achieve comprehensive digital base map management, encompassing geographic and equipment information, while also supporting visual display services within the digital electrical grid.This study underscores the potential of re-parameterized convolutional networks in enhancing the accuracy and efficiency of electric power facility detection, contributing significantly to the advancement of intelligent digital grid management systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».