DCMF-AFNet: An anchor-free photovoltaic hot-spot fault detection network based on deformable context transformer and bi-branch multi-level feature fusion

计算机科学 故障检测与隔离 人工智能 特征提取 异常检测 变压器 模式识别(心理学) 背景(考古学) 特征(语言学) 光伏系统 工程类 电压 哲学 古生物学 电气工程 生物 语言学 执行机构
作者
Tian He,Shuai Hao,Xu Ma,Xizi Sun,Qiulin Zhao,Haobo Sun
出处
期刊:Solar Energy [Elsevier]
卷期号:263: 111904-111904 被引量:2
标识
DOI:10.1016/j.solener.2023.111904
摘要

In the process of photovoltaic hot-spot detection by thermal infrared sensors, the fault features cannot be effectively represented due to low pixel ratios and complex environmental interference, which makes it difficult for the detection network to accurately detect hot-spot faults. Therefore, an anchor-free photovoltaic hot-spot fault detection algorithm based on deformable context Transformer and bi-branch multi-level feature fusion is proposed. First, to improve the feature extraction ability of the backbone network for small-scale hot-spot faults, a deformable context Transformer module is constructed. By building an offset network in a multi-headed self-attention mechanism, dynamic and static context information with small-scale fault features can be explored from shallow feature maps. Second, to solve the problem of low target saliency due to the complex background interference, a bi-branch multi-level feature fusion module is designed to aggregate global and local multi-level features in a parallel fusion manner, enabling the detection network to rapidly focus on the fault target region in complex environments. Then, an anchor-free mechanism is introduced, and a dynamic task alignment prediction module is proposed to avoid feature misalignment in the classification and localization tasks and further improve the algorithm detection accuracy. Finally, to verify the superiority of the proposed network, seven detection algorithms are selected for comparison experiments. The experimental results show that the DCMF-AFNet network can accurately detect multi-scale hot-spot targets under various harsh conditions, and the detection accuracy can reach 87.3%.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
ScholarZmm完成签到,获得积分10
刚刚
lsh发布了新的文献求助10
1秒前
魁梧的海秋应助LTZ采纳,获得10
1秒前
逸风望完成签到,获得积分10
1秒前
xxp完成签到,获得积分10
1秒前
Natua完成签到,获得积分10
2秒前
CRANE完成签到 ,获得积分10
2秒前
一颗馒头完成签到,获得积分10
2秒前
cc发布了新的文献求助10
3秒前
赘婿应助王走走采纳,获得10
3秒前
科研通AI2S应助drwalyssa采纳,获得100
5秒前
晨雨完成签到,获得积分10
5秒前
欧阳静芙完成签到,获得积分10
8秒前
优秀紫槐完成签到,获得积分10
8秒前
9秒前
9秒前
cc完成签到,获得积分10
10秒前
杳鸢应助LTZ采纳,获得10
11秒前
小张完成签到,获得积分10
12秒前
脑洞疼应助联合工程采纳,获得10
12秒前
14秒前
英姑应助不远采纳,获得10
14秒前
14秒前
叶夜南完成签到 ,获得积分10
15秒前
哈哈哈完成签到 ,获得积分10
17秒前
18秒前
LTZ完成签到,获得积分10
21秒前
23秒前
联合工程发布了新的文献求助10
23秒前
小长夜完成签到,获得积分10
24秒前
iNk应助joye采纳,获得20
24秒前
25秒前
25秒前
不远发布了新的文献求助10
27秒前
wyx完成签到,获得积分10
28秒前
张怀民完成签到 ,获得积分10
29秒前
唐唐发布了新的文献求助10
29秒前
温柔的友容完成签到,获得积分10
31秒前
33秒前
尼尼应助lc采纳,获得30
33秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
Fundamentals of Dispersed Multiphase Flows 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3254080
求助须知:如何正确求助?哪些是违规求助? 2896409
关于积分的说明 8292562
捐赠科研通 2565288
什么是DOI,文献DOI怎么找? 1392945
科研通“疑难数据库(出版商)”最低求助积分说明 652418
邀请新用户注册赠送积分活动 629856