摘 要：
变电站红外图像中小目标众多并且环境复杂，导致现有检测算法精度较低，因此本文提出一种基于改进Centernet的变电设备红外检测方法。首先以Centernet作为基础模型，将FPN结构引入上采样网络以充分利用小目标特征信息，从而解决小目标难以被精确检测的问题；然后，为提升网络在复杂环境中检测的鲁棒性，通过在主干网络resnet50中嵌入注意力机制来提升网络对重要目标的关注；最后，采用CIOU损失替换中心点偏移损失和宽高损失的训练策略以加速网络收敛、提升训练效果。实验结果表明，本文方法在小目标检测和复杂环境检测中都能有较好的检测效果，检测精度相比改进前提升3.1%，达到92.7%，相比Faster R-CNN等现有方法精度更高，在变电设备红外检测中具有一定参考价值。
摘 要：
为了减轻5G基站天线引入变电站后对站内敏感设备带来的电磁干扰，并对站内各监测设备处的5G信号进行优化，提出了一种基于多目标粒子群算法的变电站5G基站天线布点方法，即以变电站敏感设备处的射频场强不能超过规定的电磁兼容抗扰度限值为约束条件，以站内监测设备接受信号的Pareto最优解作为目标函数，采用多目标粒子群算法在变电站相关布点区域内寻找出最合适的基站天线布点。以500kV官渡变电站为例，按照其内部实际的空间布局，利用本文算法得到四种天线布点安装方案，都能使得站内所有敏感设备处的射频场强低于10V/m抗扰度限值，同时还能使得站内各监测设备处的平均信号分别提升3.77dB，6.37dB，4.34dB，4.58dB，监测设备信号的方差分别减少了15.07%，12.64%，14.62%，14.78%，说明了本文算法即可以在一定程度上提升监测设备处的信号强度，还能使得站内各监测设备处信号的离散程度减小，使得信号在监测设备处覆盖更稳定，能为实际工程中变电站内5G基站天线的布点提供一定的参考。
摘 要：
针对输电线路绝缘子识别准确率低、识别花费时间长的问题，提出一种改进的YOLOv5绝缘子识别方法。首先，通过引入超分辨率卷积网络提升数据集中图像样本质量；其次，通过引入k3-Ghost结构替换原始网络BCSP模块中的普通卷积，减少模型主干网络参数量，在主干网络尾部引入SENet注意力模块，加强模型对于通道信息的关注提升目标检测性能；在颈部网络引入DC-BiFPN结构替换原始结构，对不同尺度特征赋予不同权重以使多尺度特征进行更好的融合，提升绝缘子识别效果。最后，使用CIOU作为回归损失函数，加快网络收敛速度。实验结果表明，本文提出的方法在保证绝缘子识别准确率的同时拥有更高的识别速度，检测准确率达到89.5%,检测速度达到35.7 FPS,验证了改进方法的有效性。