基于AI增强技术的部分放电分析,用于TEV(特斯拉效应)监测 Hsien Wee Bryan Sim、 Sivaneasan Bala Krishnan 和 Kai Xian Lai

《Applied Sciences》:AI-Augmented Partial Discharge Analytics for TEV-Based Monitoring Hsien Wee Bryan Sim, Sivaneasan Bala Krishnan and Kai Xian Lai

【字体: 大 中 小 】 时间:2026年05月03日 来源:Applied Sciences 2.5

编辑推荐:

  摘要 瞬态地电压(TEV)测量因其非侵入性特性和适合现场部署而广泛用于中压设备中的局部放电(PD)监测。然而,在实际环境中,基于TEV的PD分析仍然具有挑战性,因为PD特征往往与噪声特征重叠。深度学习的最新进展使得基于图像的相位分辨局部放电(PRPD)表示分析成为可能,与传统基于

  摘要
瞬态地电压(TEV)测量因其非侵入性特性和适合现场部署而广泛用于中压设备中的局部放电(PD)监测。然而,在实际环境中,基于TEV的PD分析仍然具有挑战性,因为PD特征往往与噪声特征重叠。深度学习的最新进展使得基于图像的相位分辨局部放电(PRPD)表示分析成为可能,与传统基于信号的方法相比,这种分析具有更高的鲁棒性。本文对基于分类和基于定位的深度学习模型在TEV PRPD分析中的应用进行了结构化的实验研究。评估了一种多列卷积神经网络(MCNN)作为分类模型,同时研究了基于“你只看一次”(YOLO)框架的YOLOv5和YOLOv12作为能够定位PD的对象检测框架。实验使用了原始数据集和扩展数据集,并进一步分析了超参数优化的影响。结果表明,数据集扩展和超参数调整提高了多种模型的分类和检测性能。MCNN在PD/噪声筛选方面实现了较高的分类准确性,而YOLOv5在优化后显著提升了定位性能。相比之下,YOLOv12在评估的训练配置下保持了稳定的检测性能。这些结果突出了在选择用于PD分析的深度学习模型时,分类准确性、定位能力和注释复杂性之间的权衡。这些发现为基于TEV的PD监测系统中深度学习技术的应用提供了实际见解,并强调了分类和定位框架在PRPD分析中的互补作用。

1. 引言
局部放电(PD)是一种与高压设备绝缘劣化相关的局部电气现象,被广泛认为是绝缘故障的早期指标。如果未被检测到,PD可能导致绝缘逐渐退化、设备故障和运行风险。因此,可靠的PD检测和解释对于电气资产的基于状态的维护至关重要[1,2,3]。
已经开发了多种PD监测技术,包括电气、声学、光学、超高频(UHF)和基于瞬态地电压(TEV)的方法[2,3,4]。其中,TEV监测特别适用于中压开关设备,因为它具有非侵入性并且适合在线监测。然而,在实际环境中获得的PD信号常常受到噪声、干扰和不同运行条件的影响,这使得准确识别变得复杂[5,6]。
相位分辨局部放电(PRPD)分析被广泛用于表示放电行为并支持缺陷识别。传统的PRPD解释依赖于专家知识和手工制作的特征,这使其具有主观性,并且难以扩展到自动化系统[7,8]。此外,基于波形的方法等替代特征表示方法也展示了互补的诊断能力[9]。
为了提高自动化程度,引入了机器学习技术进行PD模式识别。早期的方法依赖于带有手动提取特征的经典算法[9,10,11],这些方法通常受到特征依赖性和对噪声敏感性的限制[6]。最近,深度学习方法,特别是卷积神经网络,通过从PRPD及相关数据中自动提取特征,展示了卓越的性能[12,13,14,15,16]。比较研究进一步证实了深度学习的优势,同时探索了数据增强方法以在数据集有限的情况下提高鲁棒性[17,18]。
与此同时,像YOLO这样的对象检测框架在实时分类和定位任务中表现出强大的能力[19,20,21]。最近的研究探索了它们在PD诊断中的应用,展示了在诊断表示中识别放电区域的潜力[22]。然而,大多数现有工作要么专注于分类,要么专注于定位,缺乏在统一框架下的比较评估。因此,本研究对基于分类和基于检测的深度学习模型在TEV PRPD分析中的应用进行了结构化的比较。

2. 相关工作
准确的PD模式识别对于可靠的绝缘诊断和自动化状态监测至关重要。现有研究强调了关键挑战,包括噪声干扰、标记数据集有限以及运行条件的变化,所有这些都会影响PD检测系统的可靠性[1,2,3]。传感技术的进步,特别是基于TEV的监测,使得在中压设备中进行实际且非侵入性的PD评估成为可能[4]。
PRPD分析仍然是用于可视化放电行为和支持缺陷识别最广泛使用的技术之一。传统方法依赖于手动解释或基于规则的方法,这些方法往往具有主观性且难以扩展[7,8]。经典的机器学习技术已被引入以提高自动化程度,利用从PRPD或波形数据中提取的手工特征[9,10,11,23]。然而,这些方法通常受到特征工程依赖性和对噪声敏感性的限制[6]。此外,研究表明基于波形的特征可以提供对PRPD表示的补充诊断信息[9]。
深度学习通过从原始或最小处理的数据中自动提取特征,显著推进了PD诊断。基于卷积神经网络(CNN)的方法在使用PRPD图像及相关表示的PD分类任务中展示了强大的性能[12,13,14,15,16,24]。通过先进的特征学习、表示学习和深度特征提取技术,进一步取得了改进[25,26,27]。比较研究和调查论文一致表明,深度学习优于传统的机器学习方法,并继续推动PD分析的最新进展[17,28]。为了解决数据相关挑战,还探索了增强和生成方法来提高模型的鲁棒性和泛化能力[18]。
除了基于分类的方法外,还研究了像YOLO这样的对象检测框架用于定位导向的PD分析。这些模型能够同时进行分类和定位,提供空间信息,从而增强可解释性并支持实际的诊断工作流程[19,20,21]。最近的研究展示了将基于YOLO的架构应用于PD相关缺陷识别的可行性[22]。
尽管取得了这些进展,大多数现有工作仍然独立关注基于分类的识别或基于定位的检测。在统一的实验框架下比较这些方法的工作仍然有限。这激发了本研究,它提供了基于分类和基于检测的深度学习模型的结构化比较,以评估它们的各自性能和实际适用性。

3. 运营数据
3.1. 数据集和PRPD表示
本研究使用的数据集包括在常规检查期间从中压设备收集的现场获取的TEV测量值。每个测量值由领域专家根据既定的诊断标准标记为PD或噪声。原始TEV信号被转换为PRPD表示,该表示将放电幅度编码为功率周期内相位角的函数。这种基于PRPD的表示广泛用于PD模式分析,并已在多项研究中用于自动PD识别和信号特征提取[5,7,12]。
PRPD图像是通过将相位角离散化为固定区间并将放电脉冲幅度映射到像素强度来生成的。每个图像根据以下公式进行归一化:
(1) 其中I表示原始像素强度值。
评估了两种数据集配置。原始数据集包含60个PD样本和77个噪声样本。为了检查数据可用性对模型性能的影响,使用从不同检查实例中独立收集的额外现场获取的TEV测量值构建了一个扩展数据集。在此过程中没有使用合成数据增强或对现有样本进行转换,确保扩展数据集反映了真实世界中PD和噪声条件的真实变化。这导致总共115个PD样本和132个噪声样本。
对于所有实验,数据集被分为60%用于训练,20%用于验证,20%用于测试,所有子集的类别分布保持一致。为了防止数据泄露,在模型训练之前对所有样本进行了划分,训练集、验证集和测试集之间没有重叠。所有模型使用相同的数据划分,以确保公平和可控的比较。
需要注意的是,本研究中的数据集规模相对较小,因为它来自实际现场获取的TEV测量值。与实验室生成的数据集不同,在运营环境中收集标记的PD数据受到设备可用性和检查条件的限制。因此,数据集规模可能会限制研究结果的普遍性。为了缓解这一限制,对所有模型应用了一致的数据划分,并通过交叉验证和性能趋势分析进行了额外的验证,以提高评估的鲁棒性。

3.2. 边界框的专家注释协议
对于对象检测框架,生成了边界框注释以定位PRPD图像中的放电簇。由于PRPD簇边界的本质上是扩散的,采用了结构化的专家指导注释协议以确保一致性和物理相关性。
注释由两位具有局部放电诊断和PRPD解释实际经验的工程师完成。
边界框被绘制出来,以包围在相位-幅度域中视觉上可区分的放电密度区域。大约相隔的相位对称放电模式被注释为独立对象,以保持空间定位。
应用了以下注释原则:
每个边界框完全包含可观察到的放电簇。
排除了稀疏的背景脉冲。
只有对于视觉上可分离的簇才允许边界框重叠。
总共注释了92张PRPD图像。为了评估一致性,在不同的时间间隔重新注释了一部分图像,显示出簇定位的高度一致性,仅在簇边界处有轻微的变化。这些差异通过专家审查得到了解决。
该协议在整个数据集中一致应用,以确保模型训练和评估的注释一致性。

4. 方法论
整个AI工作流程包括四个阶段:PRPD图像准备、模型训练、预测和性能评估。从TEV测量值中得到的PRPD图像被用作分类和对象检测模型的输入。MCNN执行二进制PD分类,而YOLOv5和YOLOv12检测和定位PRPD相位-幅度域内的放电簇。
所有模型都是使用Python 3.12.13(Python软件基金会,美国特拉华州威尔明顿)实现的。YOLOv5和YOLOv12模型是使用Ultralytics框架(Ultralytics LLC,美国纽约州纽约市)基于PyTorch(Meta AI,美国加州门洛帕克)版本2.10.0(CUDA 12.8构建)开发的。

4.1. MCNN架构和训练
MCNN模型被设计为一个二进制分类框架,为每个PRPD图像产生直接的PD或噪声决策。如图1所示,该架构包含多个并行卷积分支,同时处理输入的PRPD图像。每个分支包含一系列卷积和池化层,这些层在不同的感受野尺度上提取空间特征[29]。所有分支的结果特征图通过特征融合阶段组合,将多尺度表示整合到一个统一的特征空间中。然后,融合的特征通过全连接密集层传递,以产生最终的二进制分类输出。
图1. 多列卷积神经网络(MCNN)架构。
最终输出层应用了Sigmoid激活函数:
(2)
训练期间使用了二元交叉熵损失:
(3)
训练使用了AdamW优化器。应用了数据增强技术,包括随机裁剪、旋转和噪声扰动。超参数根据验证性能进行了优化。

4.2. YOLOv5架构和训练
YOLOv5被实现为一个基于定位的对象检测模型,用于识别PRPD图像中的PD区域。PD活动被视为可检测的对象,边界框注释是根据专家解释手动定义的。YOLOv5使用单阶段检测流程联合预测边界框坐标和类别置信度。
整体检测损失由以下公式给出:
(4)
检测输出经过后处理,以识别PRPD图像中的PD区域。预测的边界框提供了放电簇在相位-幅度域内的空间定位,使得检测到的PD活动可以视觉化解释。这可以在图2中看到。
图2. 用于PRPD图像中PD定位的YOLOv5模型架构概述。该模型包括用于特征提取的骨干网络、特征融合颈部和多尺度检测头部,用于预测放电簇的边界框。

4.3. YOLOv12架构和训练
YOLOv12被评估为一个先进的对象检测架构,以评估其在PRPD图像中定位PD的能力。与YOLOv5类似,该模型遵循一个单阶段检测流程,包括用于特征提取的骨干网络、用于多尺度特征聚合的颈部以及用于预测PD区域边界框坐标和置信度的检测头部。YOLOv12结合了以注意力为中心的特征聚合和改进的特征融合机制,旨在提高检测的鲁棒性[21],特别是对于弱或空间分散的放电模式。在本研究中,YOLOv12使用相同的注释PRPD数据集和边界框监督进行训练,以实现PD定位性能的一致评估。本研究使用的YOLOv12模型的整体架构如图3所示。
图3. 用于PRPD图像中PD定位的YOLOv12模型架构概述。该架构包括一个用于特征提取的骨干网络、一个特征融合层以及检测头,这些检测头能够在PRPD(相位-幅度域)中预测放电簇的边界框。4.4 实验设置为了确保可重复性,训练配置和超参数在表1中进行了总结。所有实验都在Google Colab上进行,使用的是NVIDIA Tesla T4 GPU,并且数据分割和评估协议保持一致。表1. 所有模型的训练配置和超参数总结。基于YOLO的模型使用预训练的权重进行初始化,并通过Ultralytics框架进行训练。对于基线配置,除非另有说明,否则使用各自框架提供的默认超参数,包括Ultralytics YOLO设置。MCNN模型则通过5折交叉验证从头开始训练。通过基于验证性能的经验性调整来进行优化超参数调优(OHPT)。在本研究中,YOLOv5被用作中间基线,因为它可以在不进行显式边界框分析的情况下生成图像级别的预测,从而能够与MCNN分类模型直接比较,同时保持与基于YOLO的检测框架的一致性。对于检测评估,使用了Ultralytics框架中的默认置信度和IoU阈值,因为在推理过程中没有对这些阈值进行修改。没有应用提前停止标准,所有模型都训练了指定的完整周期数。优化后的超参数在表2中进行了总结。OHPT带来的改进归因于更好的学习动态和增强策略,尽管在某些情况下观察到了灵敏度和特异性之间的权衡。表2. 优化超参数调优(OHPT)后的超参数。选定的超参数是通过经验确定的,在不同的数据集或部署条件下可能会有所不同。4.5 评估指标分类性能使用准确性、精确度、召回率和F1分数进行评估:(5) (6) 检测性能使用精确度、召回率和在IoU阈值为0.5时的平均精确度(mAP@0.5)进行评估。所有指标都是在保留的测试数据集上计算的。mAP@0.5指标被广泛用于对象检测任务,以评估定位准确性和检测质量。5. 结果 5.1 MCNN分类结果使用5折交叉验证评估的MCNN分类性能在表3中进行了总结。原始数据集显示出较低的准确性和较高的变异性,表明在小数据条件下泛化能力有限。数据集扩展显著提高了所有指标并减少了方差,显示出更好的稳定性。表3. 使用5折交叉验证评估的MCNN分类性能。结果以平均值±标准差的形式报告。超参数优化进一步提高了ROC-AUC,表明类别分离能力更强,尽管在数据量有限的情况下准确性和F1分数略有波动。总体而言,数据集扩展是性能提升的主要贡献因素,而优化则提供了额外的改进。图4显示了扩展+优化配置下的混淆矩阵。该模型在噪声分类方面表现出色(真阴性率为0.93),但在PD召回率上略有下降(0.74),表明在减少假阳性和检测灵敏度之间存在权衡。图4. 扩展+优化配置下MCNN模型的标准化混淆矩阵。该模型在噪声分类方面实现了高准确率,但在PD检测灵敏度上略有权衡。图5和图6进一步证实了数据集扩展提高了分类性能,而优化在中等召回率下提高了精确度的一致性。由于假阳性增加,在所有配置下都观察到精确度下降。图5. 原始数据集、扩展数据集和扩展+优化数据集的K折交叉验证平均ROC曲线。扩展数据集显示出更好的类别分离能力,而优化配置在各个折叠中表现稳定。图6. 原始数据集、扩展数据集和扩展+优化数据集的精确度-召回率曲线。扩展数据集在广泛的召回率范围内提高了精确度,而优化配置保持了更稳定的性能。5.2 YOLOv5检测结果在没有边界框注释的情况下,包含了YOLOv5配置作为中间基线,以桥接基于分类和基于定位的方法。在这种设置中,从检测输出中推断出图像级别的PD存在情况,以评估在弱监督下的检测架构的行为。表4总结了在这种设置下的分类性能。结果表明具有中等的分类能力,表明即使在没有显式定位监督的情况下也能获得有意义的预测。表4. 在基于固定训练/验证/测试分割的单次运行中,YOLOv5(无边界框监督)在测试数据集上的分类性能。表5展示了使用mAP@0.5在测试数据集上评估的PD定位性能。数据集扩展提高了检测性能,而超参数优化显著提高了mAP@0.5,表明定位准确性得到了提升。表5. 在基于固定训练/验证/测试分割的单次运行中,使用mAP@0.5在测试数据集上评估的YOLOv5 PD定位性能。图7显示了训练和验证损失曲线。两种配置都表现出稳定的收敛性,优化后的模型实现了更低的损失值和训练与验证之间的最小差距,表明过拟合有限。图7. 在扩展和扩展+优化配置下YOLOv5的训练和验证损失曲线。优化配置实现了更低的损失值和更稳定的收敛性。图8展示了训练周期中mAP@0.5的进步。优化配置实现了更快的收敛速度和更高的最终性能,而基线配置的改进速度较慢且不稳定。图8. 在扩展和扩展+优化配置下YOLOv5的mAP@0.5曲线。优化配置实现了更高且更稳定的性能。图9展示了代表性的PD定位结果。该模型成功识别了高密度放电区域,包括单簇和相位对称模式,显示出有效的空间可解释性。图9. 使用边界框监督在TEV PRPD图像上进行的代表性YOLOv5 PD定位结果。5.3 YOLOv12检测结果使用带有边界框监督的扩展TEV PRPD数据集评估了YOLOv12的PD定位性能。检测性能使用mAP@0.5进行评估,如表6所示,结果在测试数据集上进行了总结。表6. 使用mAP@0.5在测试数据集上评估的YOLOv12的PD定位性能,该数据集是基于固定训练/验证/测试分割的单次运行获得的。YOLOv12在两种配置下都表现出一致的定位性能,超参数优化后变化不大,表明在评估条件下对优化的敏感性有限。图10显示了稳定的训练行为,训练和验证损失紧密对齐,没有明显的过拟合迹象。图10. 在扩展和扩展+优化配置下YOLOv12的训练和验证损失曲线。两种配置都表现出相似的收敛行为和最终的损失值。图11展示了训练周期中mAP@0.5的进步。两种配置都早期收敛并在相似的性能水平上稳定,表明进一步优化的好处有限。图11. 在扩展和扩展+优化配置下YOLOv12的mAP@0.5曲线。两种配置都早期收敛并且最终性能相似。这种行为表明性能主要不是由优化限制的,可能受到模型-数据兼容性的影响。相对较小的数据集大小和扩散的PRPD模式可能限制了YOLOv12学习高度区分性定位特征的能力,导致早期性能饱和和超参数调整的收益有限。图12展示了代表性的定位结果。该模型在不同PRPD模式下一致地识别了高密度放电区域。图12. 在TEV PRPD图像上进行的代表性YOLOv12 PD定位结果。边界框指示了相位-幅度域内的检测放电簇。优化行为分析从表6中的一个显著观察结果是,YOLOv12在超参数优化前后保持了大约75.30%的mAP@0.5,而YOLOv5从53.96%显著提高到了89.20%。这一差异进一步得到了图8和图11中展示的训练曲线的支持。对于YOLOv12,损失和mAP@0.5曲线都显示出早期收敛和基线与优化配置之间的最小差异。性能在训练周期中稳定在相似的水平,表明在评估条件下对超参数调整的敏感性有限。相比之下,YOLOv5在优化后显示出mAP@0.5的明显改善,收敛更稳定,最终性能更高。这表明YOLOv5对训练动态和增强策略的优化更加敏感。这些差异可能受到架构特性的影响。YOLOv12结合了基于注意力的特征聚合和更高容量的骨干网络,这可能在使用预训练权重时减少了对中等程度超参数变化的敏感性。相反,YOLOv5采用了相对简单的架构,使其性能更依赖于训练配置,因此对优化更加敏感。数据集特性也起着作用。鉴于TEV PRPD数据集的相对较小规模,像YOLOv12这样的高容量模型可能会较早达到性能饱和,限制了进一步优化的收益。相比之下,像YOLOv5这样的中等容量模型在这种条件下可能从超参数调整中受益更多。总体而言,YOLOv5和YOLOv12之间观察到的优化收益差异与损失和mAP曲线中显示的训练行为一致,可能受到架构敏感性和数据集规模相互作用的影响。5.4 不同分析角色和权衡的结构化实际比较表7总结了MCNN、YOLOv5和YOLOv12在学习范式、监督类型、评估指标、注释要求以及主要分析角色方面的关键差异。表7. 对TEV PRPD分析的基于分类和基于定位的深度学习模型的总结比较。MCNN作为二元分类模型使用图像级标签进行操作,并使用准确性、F1分数和ROC-AUC进行评估。相比之下,当应用边界框监督时,YOLOv5和YOLOv12作为对象检测框架,并使用mAP@0.5来评估PD定位性能。需要注意的是,分类模型使用基于决策的指标(准确性、F1分数、ROC-AUC)进行评估,而检测模型使用基于交集与并集(IoU)的定位指标(mAP@0.5)进行评估,反映了它们不同的分析目标。YOLOv5还在没有边界框的图像级监督下进行了评估。5.5 推理速度分析除了分类和检测性能之外,推理速度也是部分放电监测系统实际部署的重要考虑因素。表8在相同的评估条件下,展示了MCNN、YOLOv5和YOLOv12模型的推理时间和相应的每秒帧数(FPS)。表8. 在相同评估条件下,MCNN、YOLOv5和YOLOv12模型的推理时间以及每秒帧数(FPS)的比较。结果表明,与基于检测的模型相比,MCNN的推理速度显著更快,处理时间低于每图像0.3毫秒。这归因于其轻量级的分类架构,使其非常适合快速PD筛查应用。YOLOv5表现出中等的推理速度,大约达到100 FPS,足以满足接近实时的定位任务。优化后的配置显示出相当的推理性能,表明超参数调整对计算效率没有显著影响。相比之下,由于其基于注意力的架构和增强的特征聚合机制,YOLOv12的计算需求较高。YOLOv12扩展配置的平均推理时间为每图像122.97毫秒(8.13 FPS),而YOLOv12扩展+ OHPT配置为每图像121.02毫秒(8.26 FPS)。尽管计算成本增加,但两种配置都表现出一致的推理性能,表明超参数优化没有引入显著的额外开销。总体而言,这些结果突出了计算效率和分析能力之间的权衡。虽然MCNN提供了快速的筛查且计算成本最低,但基于YOLO的模型通过空间定位提供了增强的可解释性,但代价是增加了推理时间。从实际角度来看,YOLOv5在性能和效率之间提供了平衡的权衡,而YOLOv12可能更适合离线或高计算量的诊断分析。6. 讨论本研究在一致的实验条件下,对基于分类(MCNN)和基于定位(YOLOv5、YOLOv12)的模型进行了结构化的评估,用于TEV PRPD分析。结果表明,数据集扩展是提高所有模型性能的主要因素,增强了准确性和稳定性。超参数优化提供了额外的改进,特别是对于YOLOv5,而MCNN在相对较低的注释要求下展示了强大的分类能力。基于YOLO的模型通过提供放电区域的空间定位提供了互补的优势。定位输出还提供了结构化的空间信息,支持对PRPD模式的更一致的解释。通过识别和隔离PRPD图像中的放电区域,检测到的边界框使得放电行为可以更清晰地观察到,特别是在噪声重叠或放电分布复杂的情况下。这使得模型能够专注于PRPD图像中的特定放电区域,而不是将整个图像视为一个整体,从而提高了PD模式识别的清晰度和一致性。在实际应用中,这类定位模型通常被用作辅助工具来支持工程师的工作,而不是替代专家的判断。通过突出显示相关的放电区域,它们有助于减少人工检查的工作量,并帮助更可靠地识别PRPD表示中的PD活动。YOLOv5在优化后表现出显著的改进,而YOLOv12则在调整参数时表现出稳定的性能,对参数调整的敏感性较低。这表明模型的有效性取决于其架构特性和数据集规模。除了检测性能之外,计算效率也是实际应用中的一个重要考虑因素。基于分类的模型(如MCNN)具有非常快的推理速度,非常适合大规模的PD/噪声筛查任务。YOLOv5在推理速度和检测能力之间取得了平衡,支持近乎实时的操作。相比之下,YOLOv12由于其基于注意力机制的架构而引入了更高的计算成本,但这增强了特征表示和定位能力。这突显了在选择用于部署的模型时需要在计算效率和分析能力之间进行权衡。

从实际角度来看,MCNN能够实现高效的PD筛查,而基于YOLO的模型则通过定位支持诊断的可解释性。这些方法可以集成到一个分层的工作流程中,结合快速筛查和详细分析。本研究的局限性在于使用的是来自现场测量的相对较小的数据集规模,这可能会影响模型的泛化能力。未来的工作将重点关注更大的多站点数据集、提高注释的一致性,以及集成分类-定位框架,以增强在现实世界监测系统中的部署效果。

7. 结论

本文对使用TEV PRPD图像进行PD分析的基于分类和基于定位的深度学习模型进行了结构化的实验评估。MCNN被评估为一个二分类器,而YOLOv5和YOLOv12则被研究为能够进行PD定位的对象检测框架。所有模型都在相同的数据集划分下进行了评估,并对数据集扩展和超参数优化进行了额外分析。结果表明,增加数据集规模有助于提高分类和检测两种方法的性能。在数据集扩展和超参数调整之后,MCNN获得了最高的分类准确率和ROC-AUC值,突显了其在使用图像级标签进行PD/噪声筛查时的有效性。基于YOLO的模型提供了PD区域的空间定位,增强了可解释性。YOLOv5在优化后mAP@0.5指标上表现出显著的改进,而YOLOv12在评估的数据集条件下显示出稳定的检测性能,对超参数调整的敏感性较低。总体而言,研究结果表明,分类和定位方法在基于TEV的PD分析中起着互补的作用。MCNN提供了较低的注释负担和高效的筛查能力,而基于YOLO的检测器则通过放电定位提供了额外的诊断洞察。然而,应该注意的是,本研究中使用的数据集相对有限,观察到的性能趋势可能会受到数据集规模和特性的影响。因此,这些结果应被视为指示性的,而不是决定性的。本研究在一致的条件下进行了结构化的实验比较,填补了现有文献中模型方法通常单独评估的空白。未来的工作将重点关注扩展多站点数据集、提高注释一致性,并研究集成分类-定位的工作流程,以增强在现场环境中的鲁棒性和实际应用性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号