为降低公路车辆发生火灾事故的风险,减少人员伤亡以及保护公路结构安全,精准并快速检测火灾的发生尤为重要。针对目前公路场景下火灾检测精度不高、检测速度较慢的问题,提出了一种基于改进YOLOv8模型的火灾检测算法。通过重新设计C2f模块,添加了高效通道注意力(Efficient Channel Attention,ECA)机制,提高了检测精度,减轻了车辆尾灯的干扰;使用SIoU(Shape-Aware Intersection over Union)优化原始网络模型的损失函数,提高了边界框的回归性能;在颈部(Neck)模块引入一种轻量化卷积——GSConv(Grouped Spatial Convolution)使模型能够在保证检测精度的同时提高检测速度,增强了模型的实时性效果。实验结果显示,相较于原模型,改进模型在公路车辆火灾检测数据集上,平均精度均值(mean Average Precision,mAP)提高了1.8%,轻量化后的模型参数下降了10%,前传耗时减少了13.6%,拥有更高的检测精度和检测速度,可以满足火灾实时性检测要求。
电力系统的安全稳定运行是保障国家能源安全和经济发展的关键,而这在很大程度上依赖于对电力物联设备故障的准确预测。当前,随着电力物联网技术的发展,大量的数据被采集,但这些数据的潜在价值尚未得到充分挖掘,这在一定程度上限制了故障预测的准确性,影响了电力系统的可靠运行。针对这一问题,该文提出了一种创新的基于GraphSAGE(Graph Sample and Aggregate)算法的电力物联设备故障预测。该方法通过PowerGraph数据集,将电力物联设备故障场景细分为四类,利用GraphSAGE模型的特性,深入学习和分析节点特征与边特征,从而实现对物联设备故障的有效预测。实验结果表明,该方法准确率达到97.5%,相较于其它传统方法,准确率提高了0.39%~6.21%,同时GraphSAGE模型实现了快速训练。该方法为电力物联设备安全稳定运行提供重要决策支持,能够对动态和相互联系的复杂系统进行更精细的分析,并增强电力系统运营部门对潜在干扰的预见和应对能力。
暂无评论