A Fault Detection Method for Power Transmission Lines Using Aerial Images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
It is necessary to regularly detect faults to maintain the safety and stability of power lines. Insulators are one of the important electrical components in high-voltage transmission lines. It is extremely necessary to check the working status of insulators regularly. Traditional manual inspection is inefficient because it requires a significant amount of labor costs. In this paper, a method for detecting insulators' missing defect based on aerial images is proposed to address the issue by unmanned aerial vehicle (UAV). Firstly, the improved Faster R-CNN (region-based convolutional neural network) is used to identify and locate insulators in aerial images. Secondly, the U-Net image segmentation network segments insulators from the images. The adaptive threshold segmentation method completely separates the insulator from the background. Then the binary image of the insulator is obtained. Finally, the binary image is converted into a fault curve which is used for determining the missing insulators based on the distribution of the fault curve. By using collected insulator datasets on a 330kV overhead transmission line using a DJI M300 UAV platform and an onboard H20T camera/sensor, the detection accuracy of glass insulators is as high as 0.98 with the proposed algorithm. The positioning accuracy of the proposed algorithm is also higher than other algorithms. This method has high detection accuracy for missing defects in insulators. The experimental results show that compared with similar algorithms, this method has higher accuracy and efficiency.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle