MétaCan
Menu
Retour à la cohorte
Enregistrement W4409793670 · doi:10.61091/jcmcc127a-258

A Safety Detection Model for Substation Operations Based on Combination of Spatial Context Reasoning Algorithm and Deep Learning Techniques

2025· article· en· W4409793670 sur OpenAlex

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.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueJournal of Combinatorial Mathematics and Combinatorial Computing · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueAdvanced Decision-Making Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceContext (archaeology)Artificial intelligenceAlgorithmDeep learningMachine learningGeography

Résumé

récupéré en direct d'OpenAlex

The environment near substations is complex, and electrocution accidents of operators occur from time to time during on-site operations, and the development of safety detection models for substation operations has received more and more attention.The article proposes a safety distance detection model for substation operation, which is mainly composed of binocular stereo matching perception model and safe area detection model.The binocular stereo matching perception is based on the PSMNet network model, combined with the parallax regression calculation to obtain the threedimensional coordinates of the operation area in the process of substation operation, and the threedimensional reconstruction of the substation operation process.The spatial context inference algorithm is utilized in the safe region detection model to detect the edge of the safe region, and the image segmentation of the safe region of the substation operation scene is performed by the improved OTSU algorithm.Then the three-dimensional coordinates obtained from binocular stereo matching perception and the three-dimensional coordinates of safe region detection are solved for the Euclidean distance, and then the safe distance detection of substation operation is realized.The EPE result accuracy of binocular stereo perception matching on the dataset is reduced by 0.71px compared with CRL, and the resulting mismatch pixel rate is between 0.83 and 1.48%.The average time-consuming image segmentation of the improved OTSU threshold segmentation method is 6.34ms, and the average relative error of the safety distance detection for substation operation is only 0.85%, and the maximum absolute error of the safety distance detection is only 0.13 m.Combining the spatial contextual reasoning algorithm with the deep learning technology can realize the effective detection of the safety distance for substation operation in multiple scenarios, and fully ensure the operation of the substation workers' safety.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,652
Score d'incertitude au seuil0,969

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,284
Écart entre enseignants0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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