基于改进Transformer的变电站复杂场景下电力设备分割

TP391.9; [目的]变电站电力设备种类多设备之间连接关系复杂,普遍存在设备位置和图像对比较为单一,实际应用中只能获得有限数量的目标图像和标记以及传统方式分割带来的电力设备图像分割精度不够的问题,将卷积神经网络(Convolution Neural Network,CNN)与 Transform-mer结合组成新模型进行变电站电力设备的分割,提出了一种基于编解码器结构的新型SE-Transfomer(Substation Equipment Transformer)网络.[方法]为了获取局部上下文信息,编码器首先利用CNN提取空间特征图.同时,对特征图进行了精心改造,多尺度特征输入进行全局...

Full description

Saved in:
Bibliographic Details
Published in太原理工大学学报 Vol. 55; no. 1; pp. 57 - 65
Main Authors 李洋, 朱春山, 张建亮, 高伟, 薛泓林, 马军伟, 温志芳
Format Journal Article
LanguageChinese
Published 国网山西信通公司,太原 030021 2024
Subjects
电力设备
CNN
Transformer
变电站
image segmentation
substation
图像分割
electrical equipment
Online AccessGet full text

Cover

More Information
Summary:TP391.9; [目的]变电站电力设备种类多设备之间连接关系复杂,普遍存在设备位置和图像对比较为单一,实际应用中只能获得有限数量的目标图像和标记以及传统方式分割带来的电力设备图像分割精度不够的问题,将卷积神经网络(Convolution Neural Network,CNN)与 Transform-mer结合组成新模型进行变电站电力设备的分割,提出了一种基于编解码器结构的新型SE-Transfomer(Substation Equipment Transformer)网络.[方法]为了获取局部上下文信息,编码器首先利用CNN提取空间特征图.同时,对特征图进行了精心改造,多尺度特征输入进行全局特征建模.该解码器利用Transformer提取全局深层特征,并进行逐步上采样来预测详细的分割图.SE-Transfomer在山西省梁家庄变电站数据集上进行广泛实验,其纵向结果的 Dice系数(Dice)、召回率(Recall)、特异度(Specificity)和均方根误差(RMSE)分别为 89.31％,90.52％,89.62％和11.32.[结果]结果表明,SE-Transfomer在变电站电力设备的扫描上获得了与以往最先进的分割方法相当或更高的结果.
ISSN:1007-9432
DOI:10.16355/j.tyut.1007-9432.20230218