CN119516314A 基于YOLOv8和CNN模型的直流电晕放电模式识别方法及系统 （三峡大学）

基于YOLOv8和CNN模型的直流电晕放电模式基于YOLOv8和CNN模型的直流电晕放电模式本发明旨在解决高压直流电气设备电晕放电现接着将定位出的电晕放电区域图像输入到深度卷积神经网络CNN中进行放电模式的分类；最后通过集成学习融合多个CNN模型的输出结果，提维效率，降低了因电晕放电导致的设备故障风2Step3：使用深度卷积神经网络CNN进行放电模式分类，电区域图像裁剪为标准尺寸，并输入到CNN模型中进行训练；CNN模型包括AlexNet、2.根据权利要求1所述的基于YOLOv8和CNN模3.根据权利要求1所述的基于YOLOv8和CNNi为样本的类别；定位损失LU采用交并比IOU计算，计算公式为：4.根据权利要求1所述的基于YOLOv8和CNN模型的直流电35.根据权利要求1所述的基于YOLOv8和CNNij分别为卷积输出矩阵中的第i行与第j列，m、n分别为卷积核的m行和n列偏移量，为第层卷积操作后的输出特征图像的像素值，为当前层的卷积核权重，为前一层特征图中的输入像素值，p"为卷积核在前一层图像的某个位置进行卷积ReLU激活函数的作用是将所有负值映射为0，保在分类阶段，模型使用Softmax激活函数对每个放电模式的预测概率进行归一化，总的分类数，j为所有类别遍历时的某个类别，z,为整个输入向量中所有类别进行遍历时Adam优化器结合了动量法和RMSprop优化方法的优势，在更新参数时通过动态调整学4Adam优化器的引入可以确保CNN模型在训练过程中快速收敛，并有效地应对不平滑的6.根据权利要求1所述的基于YOLOv8和CNN模型7.根据权利要求1所述的基于YOLOv8和CNNi个模型对c类别的预测概率。8.实施权利要求1~7任意一项所述的基于YOLOv8和CNN模型的直流电晕放电模式识别块接收YOLOv8检测模块输出的电晕放电区域图像，利用深度卷积神经网络CNN进行放电模9.根据权利要求8所述的基于YOLOv8和CNN模型的10.根据权利要求8所述的基于YOLOv8和CNN模型的直流电晕放电模式识别系统，其特5[0001]本发明涉及电力系统状态监测技术领域，特别涉及基于YOLOv8和CNN模型的直流[0002]随着电力工业的快速发展，直流电气设备在电力系统中扮演着至关重要的角正是基于这一需求，提出了一种基于YOLOv8和深度卷积神经网络（CNN，Convolutional[0006]本发明所要解决的技术问题是，提供一种基于YOLOv8和CNN模型的直流电晕放电6晕放电区域图像裁剪为标准尺寸，并输入到CNN模型中进行训练；CNN模型包括AlexNet、[0010]优选的方案中，所述的Step2中YOLOv8模型的训练过程中，还采用了迁移学习策公式为：7i、j分别为卷积输出矩阵中的第i行与第j列，m、n分别为卷积核的m行K为总的分类数，j为所有类别遍历时的某个类别，z,为整个输入向量中所有类别进行遍历时的输出值；为了衡量分类结果与真实标签之间的差异，使用交叉熵损失函数Lams-mowi8Adam优化器的引入可以确保CNN模型在训练过程中快速收敛，并有效地应对不平式中，pa.(e)为集成模型对类别c的最终预测概率；M为参与集成的模型数i个模型对c类别的预测概率。[0014]实施上述任意一项所述的基于YOLOv8和CNN模型的直流电晕放电模式识别方法的[0019]本发明提供的基于YOLOv8和CNN模型的直流电晕放电模式识别方法及系统，有如92、本发明采用基于YOLOv8模型的电晕放电源检测技术，利用YOLOv8（YouOnly提高故障诊断准确性以及提升系统稳定性与可靠性的晕放电区域图像裁剪为标准尺寸，并输入到CNN模型中进行训练；CNN模型包括AlexNet、定位损失Ln用于计算预测边界框与实际边界框之间的差异，采用交并比IOU[0026]进一步的，所述的Step3中YOLOv8模型的检测过程主要由前向传播和卷积计算组i、j分别为卷积输出矩阵中的第i行与第j列，m、n分别为卷积核的m行[0028]在分类任务中，输入的电晕放电区域图像首先会被统一调整为标准尺寸（如ReLU能够有效解决梯度消失问题，保持梯度为正的部分不变，将负值部分映射K为总的分类数，j为所有类别遍历时的某个类别，z,为整个输入向量中所有类别进行遍历时的输出值；为了衡量分类结果与真实标签之间的差异，使用交叉熵损失函数Lams-mow为了加速模型的收敛，训练过程采用Adam优化器，其全称为自适应矩估计Propagation）优化方法的优势，在更新参数时通过动态调整学习率来适应不同维度的梯Adam优化器的引入可以确保CNN模型在训练过程中快速收敛，并有效地应对不平式中，pa.(e)为集成模型对类别c的最终预测概率；M为参与集成的模型数i个模型对c类别的预测概率。补了单一模型可能出现的误判。数据集上的泛化能力；交叉验证通过将数据集划分为k个子集，每次使用其中的k-l个子于YOLOv8和CNN模型的直流电晕放电模式识别方法及系统的[0054]将YOLOv8定位出的电晕放电区域图像裁剪为标准尺寸（如224x224像素并输入将训练好的YOLOv8模型和集成CNN模型部署到电力系统现场，用于实时检测和识一步探索了本发明基于YOLOv8和CNN模型的直流电晕放电模式识别方法及系统，在不同数确保了模型在训练过程中能够准确学习到电晕为了提高模型的鲁棒性和适应性，我们对图像数据集进行了多种数据增强处理，在完成数据预处理后，我们使用YOLOv8模型对电晕放电源进行检测与定位，MobileNet和ShuffleNet等多种主流CNN模型进行比较使用Softmax分类器进行最终的分类决策。为了加速模型收敛并防止过拟合，我们采用了为了进一步提高分类精度和鲁棒性，我们采用了集成学习策略，将AlexNet、完成模型训练和优化后，我们将YOLOv8和CNN集成模型部署到电力系统中进行实[0072]优选的方案中，所述的Step2中YOLOv8模型的训练过程中，还采用了迁移学习策