Dual-Scale Dataset-Based Intelligent Recognition of Power Equipment for Enhanced Digital Grid Planning
Notice bibliographique
Résumé
In the evolution of digital power grids, technologies such as artificial intelligence and digital twins have emerged as foundational elements.A critical step in this evolution involves creating digital avatars of physical power equipment, enabling precise classification crucial for digital twin integration.Traditional algorithms for equipment recognition face significant challenges due to discrepancies in equipment sizes, and environmental factors like bright light and haze, which substantially degrade detection performance.This study introduces a novel single-stage recognition method that employs staged training on a dual-scale dataset, specifically designed to address these challenges.Equipment images are categorized into large-scale and small-scale sets to mitigate issues arising from size disparities.Furthermore, a comprehensive dataset featuring multiple scales, angles, and lighting conditions is compiled, enhancing the model's generalizability and robustness.The proposed method incorporates a feature extraction module, a feature fusion network, and environment context modeling, which are trained separately on the large-scale and small-scale datasets.During testing, outputs from the dual-scale models are integrated.Comparative experiments demonstrate that the proposed method requires only one-third the parameters of the SSD algorithm, yet operates at a detection speed of 52.15 frames per second (fps).Despite its lightweight structure, the algorithm achieves an impressive mean Average Precision (mAP) of 92.13%, effectively reducing false and missed detections.This performance signifies a marked improvement in stability and robustness over existing single-stage detection methods, particularly in complex natural environments.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 0,002 |
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 ».