仪器仪表学报

作者：刘 敏，陈 明，武明虎，叶永钢

单位：刘 敏,1.湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室,,陈 明,1.湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室,,武明虎,1.湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室,,叶永钢,1.湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室,

关键词：目标检测;全局感知;下采样;上采样;外破隐患;输电线路

基金：湖北省自然科学基金(2022CFA007)、湖北省中央引导地方科技发展资金(2023EGA027)项目资助

超高压架空输电线路在电力系统中至关重要,但常面临建筑施工、山火等外力因素引发的事故。这不仅损害了国家经济,影响电网稳定性,还对电力工作人员的人身安全造成威胁。基于深度学习的目标检测方法为检测外破隐患提供了新方案,但现有方法往往依赖局部邻域信息执行采样操作,限制了感知范围和表达能力。为解决这一问题,提出了一种基于YOLOv10的实时全局感知增强方法GAE-YOLO,旨在提高超高压架空输电线路外破隐患目标的检测精度。针对传统方法中局部感知的局限,设计了2个新的上下采样模块:全局感知下采样模块(GADM)和全局感知上采样模块(GAUM)。GADM通过学习特征图的全局空间信息生成全局感知权重,优化下采样过程的感知性能;GAUM则通过利用深层特征图的通道信息生成全局感知权重,动态增强采样点的隶属关系,有效突出目标边界。为验证GAE-YOLO的有效性,构建了一个针对超高压架空输电线路外破隐患的大规模数据集,并在该数据集上取得了93.05%的平均精度均值(mAP),相较于基线模型mAP提升了5.13%。实验结果表明,GAE-YOLO能够显著提高外破隐患目标的检测精度,具有重要的应用价值,为电网安全运行提供了新的技术支持。

来源：2025年第2期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第2期