基于特征的边缘智能用于电力系统异物入侵的实时检测与跟踪
计算机视觉与模式识别
2025-09-18 v1 系统与控制
系统与控制
摘要
本文提出了一种用于电力传输系统中实时异物入侵（FOI）检测与跟踪的新型三阶段框架。该框架集成了：（1）用于快速稳健目标定位的 YOLOv7 分割模型；（2）采用三角损失训练的 ConvNeXt 特征提取器，用于生成判别性嵌入；（3）基于特征的 IoU 跟踪器，在遮挡和运动情况下确保鲁棒的多目标跟踪。为实现可扩展的现场部署，该管道针对低成本边缘硬件进行了混合精度推理优化。该系统支持通过添加先前未出现的异物的嵌入来扩展数据库，而无需重新训练模型。在现实世界的监控和无人机视频数据集上进行的广泛实验表明，该框架在多样化的 FOI 场景中表现出高准确性和鲁棒性。此外，硬件基准测试在 NVIDIA Jetson 设备上确认了该框架在现实世界边缘应用中的实用性和可扩展性。
引用
@article{arxiv.2509.13396,
title = {Real-Time Detection and Tracking of Foreign Object Intrusions in Power Systems via Feature-Based Edge Intelligence},
author = {Xinan Wang and Di Shi and Fengyu Wang},
journal= {arXiv preprint arXiv:2509.13396},
year = {2025}
}
备注
12 page Journal paper, accepted by IEEE Open Access Journal of Power and Energy