融合SE-Attention图像识别模型的电力设备监测系统

作者：何启远; 潘德泰; 李贵亮; 林清; 董芸州; 李小敏; 高振宇^*

来源：西安工程大学学报, 2021, 35(04): 71-76.

DOI：10.13338/j.issn.1674-649x.2021.04.010

• SE-Attention机制
• 电力设备监测
• 注意力机制
• 深层信息
• 识别故障

针对目前电力设备监测主要依靠传统的经典神经网络自动化监测方式,准确率低且难以挖掘图像的深层信息,设计了基于SE-Attention(squeeze excitation attention)图像识别模型的电力设备监测系统。在卷积神经网络(convolutional neural network,CNN)基础上,结合SE-Net(squeeze excitation network)网络提取图像局部特征,采用深度学习中的行注意力机制、列注意力机制和通道注意力机制增加局部故障信息的权重,挖掘深层信息,提高识别电力设备故障的准确率。实验结果表明:与CNN和SE-Net检测方法相比,此检测方法在避雷器、断路器、电流互感器、电压互感器的识别准确率上分别有不同程度的提高。

• 单位
  海南电网有限责任公司; 四川大学