論文の概要: Advanced YOLO-based Real-time Power Line Detection for Vegetation Management

• arxiv url: http://arxiv.org/abs/2503.00044v1
• Date: Wed, 26 Feb 2025 01:21:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:15:42.430880
• Title: Advanced YOLO-based Real-time Power Line Detection for Vegetation Management
• Title（参考訳）: 植生管理のためのYOLOを用いたリアルタイム電力線検出
• Authors: Shuaiang Rong, Lina He, Salih Furkan Atici, Ahmet Enis Cetin,
• Abstract要約: 本稿では,電力線と隣接する植生を検知するインテリジェントリアルタイムモニタリングフレームワークを提案する。 ディープラーニング畳み込みニューラルネットワーク(CNN)、You Only Look Once(YOLO)をベースに開発された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Power line infrastructure is a key component of the power system, and it is rapidly expanding to meet growing energy demands. Vegetation encroachment is a significant threat to the safe operation of power lines, requiring reliable and timely management to enhance the resilience and reliability of the power network. Integrating smart grid technology, especially Unmanned Aerial Vehicles (UAVs), provides substantial potential to revolutionize the management of extensive power line networks with advanced imaging techniques. However, processing the vast quantity of images captured by UAV patrols remains a significant challenge. This paper introduces an intelligent real-time monitoring framework for detecting power lines and adjacent vegetation. It is developed based on the deep-learning Convolutional Neural Network (CNN), You Only Look Once (YOLO), renowned for its high-speed object detection capabilities. Unlike existing deep learning-based methods, this framework enhances accuracy by integrating YOLOv8 with directional filters. They can extract directional features and textures of power lines and their vicinity, generating Oriented Bounding Boxes (OBB) for more precise localization. Additionally, a post-processing algorithm is developed to create a vegetation encroachment metric for power lines, allowing for a quantitative assessment of the surrounding vegetation distribution. The effectiveness of the proposed framework is demonstrated using a widely used power line dataset.
• Abstract（参考訳）: 電力線インフラは電力システムの重要な構成要素であり、エネルギー需要の増加に対応するために急速に拡大している。 植生の侵食は電力系統の安全運用にとって重大な脅威であり、電力網の弾力性と信頼性を高めるために信頼性とタイムリーな管理を必要としている。 スマートグリッド技術の統合、特に無人航空機(UAV)は、高度なイメージング技術によって広範な電力線網の管理に革命をもたらす大きな可能性を秘めている。 しかし、UAVパトロールによって撮影された大量の画像を処理することは、依然として大きな課題である。 本稿では,電力線と隣接する植生を検知するインテリジェントリアルタイムモニタリングフレームワークを提案する。 高速物体検出機能で有名なディープラーニング畳み込みニューラルネットワーク(CNN)、You Only Look Once(YOLO)をベースに開発された。 既存のディープラーニングベースの手法とは異なり、このフレームワークはYOLOv8と指向性フィルタを統合することで精度を高める。 電力線とその近傍の方向の特徴やテクスチャを抽出し、より正確な位置付けのために指向性バウンディングボックス(OBB)を生成する。 さらに, 後処理アルゴリズムを開発し, 周辺植生分布の定量的評価を可能にした。 提案手法の有効性を,広く使用されている電力線データセットを用いて実証した。

関連論文リスト

• SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
  我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。 SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-07-17T09:01:38Z)
• AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation Using Intelligent Sensing System [52.93806509364342]
  本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。 本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。 本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
  論文  参考訳（メタデータ） (2023-12-18T12:37:35Z)
• Autonomous Point Cloud Segmentation for Power Lines Inspection in Smart Grid [56.838297900091426]
  高電圧と低電圧の両方の電力線の特徴を検出し,抽出し,解析するために,教師なし機械学習(ML)フレームワークを提案する。 提案フレームワークは電力線を効率よく検出し,PLCに基づくハザード解析を行う。
  論文  参考訳（メタデータ） (2023-08-14T17:14:58Z)
• Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
  我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。 マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
  論文  参考訳（メタデータ） (2023-08-08T04:52:19Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets [74.51865676466056]
  本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。 数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-11-14T01:29:09Z)
• Artificial Intelligence based Sensor Data Analytics Framework for Remote Electricity Network Condition Monitoring [0.0]
  農村電化は、単一ワイヤアースリターン(SWER)ネットワークのような安価な技術の使用を要求する。 リモート消費者からのエネルギー需要は着実に増加しており、既存の路線の容量はすぐに不足する可能性がある。 SWERラインからの高インピーダンスアーク断層(HIF)は、2009年のブラックサタデーイベントのような壊滅的なブッシュファイアを引き起こす可能性があります。
  論文  参考訳（メタデータ） (2021-01-21T07:50:01Z)
• A Review of Vegetation Encroachment Detection in Power Transmission Lines using Optical Sensing Satellite Imagery [0.0]
  送電線における植生の侵食は停電を引き起こし、電力会社や消費者の経済に深刻な影響を及ぼす可能性がある。 植生の侵入を監視するには様々な方法が用いられたが、そのほとんどは高価で時間を要するものであった。 衛星画像は、比較的低コストで高い空間領域をカバーできるため、植生監視において重要な役割を果たす可能性がある。
  論文  参考訳（メタデータ） (2020-10-05T03:24:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。