污闪是威胁电网安全可靠运行的重要原因之一, 污秽类型差异将直接影响闪络电压大小。因此, 及时掌握绝缘子污秽类型信息对预防污闪有重要作用。为此提出了一种基于SAM-ED光谱匹配的绝缘子污秽类型检测方法。采集不同污秽类型样本高光谱数据, 经黑白校正及多元散射校正(MSC)去除噪声等干扰因素;利用竞争自适应重加权采样法(CARS)对光谱数据进行特征选取, 分别在特征波段和全波段范围内通过SAM-ED光谱匹配法将测试组样本光谱与参考光谱进行匹配, 根据匹配结果对样本进行分类;实验结果表明: 相比于光谱角匹配法和最小距离法, SAM-ED光谱匹配法检测效果更好;基于全波长数据进行SAM-ED光谱匹配准确率可达95%, 基于特征波长数据进行SAM-ED光谱匹配准确率可达98.33%。

在复杂的施工环境中, 基于机器视觉技术的安全帽佩戴检测算法常常出现漏检、误检, 其检测能力有限。为提高安全帽佩戴检测的精度, 本文建立了一种基于注意力机制的双向特征金字塔的安全帽检测卷积神经网络。为兼顾卷积神经网络中的浅层位置信息和深层语义信息的表达能力, 实现对弱小安全帽目标的检测能力, 该网络将跳跃连接和注意力机制CBAM技术引入双向特征融合的特征金字塔网络PANet模块中, 构建基于注意力机制的双向特征金字塔模块CPANet。为提高模型的收敛能力, 采用了CIoU来代替IoU进行优化锚框回归预测, 降低该网络的训练难度。对比实验表明, 本文建立的检测网络比YOLOv3、RFBNet、SSD、Faster RCNN的mAP值分别提高了0.82, 4.43, 23.12, 23.96, 检测速度达到21 frame/s, 实现了施工现场安全帽佩戴实时高精度检测。