NATIONAL BIBLIOGRAPHY NUMBER
Number
T27708
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
انگلیسی
TITLE AND STATEMENT OF RESPONSIBILITY
Title Proper
Real-time insulator defects detection method based on YOLOv-5 and Generative Adversarial Nets
General Material Designation
Dissertation
First Statement of Responsibility
Rusul AL-Jumaili
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
Electrical and Computer Engineering
Date of Publication, Distribution, etc.
1401
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
57p.
Other Physical Details
cd
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
M.A.
Discipline of degree
computer engineering, artificial intelligence
Date of degree
1401/08/18
SUMMARY OR ABSTRACT
Text of Note
Insulators are exposed to air, rain, and wind conditions, which makes them vulnerable, and thus can threaten the safe and stable operation of the electricity network, which leads to power outages and heavy economic losses, according to statistics. For this reason, electricity companies are required to carry out inspections periodically to reduce losses as much as possible. Deep learning methods are life-threatening, expensive, and waste time and effort. Thanks to advances in image processing and computer vision, electrical companies have been using algorithms to process aerial and ground images and extract, analyze and identify faults. This project proposes a real-time insulator detection fault method using the YOLOv5 object detection model and the generative adversarial network (GAN)
Text of Note
عایق ها در معرض هوا، باران و شرایط باد قرار می گیرند که آنها را آسیب پذیر می کند و در نتیجه می توانند عملکرد ایمن و پایدار شبکه برق را تهدید می کند که منجر به قطعی برق و سنگین می شود زیان اقتصادی طبق آمار به همین دلیل، شرکت های برق نیاز به انجام بازرسی های دوره ای برای کاهش تلفات تا حد امکان. روش های یادگیری عمیق زندگی را تهدید کننده، پرهزینه و اتلاف وقت و تلاش می کند. اخیراً به لطف پیشرفت هایی که در زمینه پردازش تصویر صورت گرفته است و بینایی کامپیوتر، شرکت های برق از الگوریتم هایی برای پردازش هوایی و زمینی استفاده می کنند تصاویر و استخراج، تجزیه و تحلیل و شناسایی عیوب. این پروژه یک تشخیص عایق در زمان واقعی را پیشنهاد می کند روش خطا با استفاده از مدل تشخیص شی YOLOv5 و شبکه متخاصم مولد (GAN)
OTHER VARIANT TITLES
Variant Title
شناسايی بلادرنگ ایراد در عایق با استفاده از شبکه های مولد تخاصمی و yolov5
UNCONTROLLED SUBJECT TERMS
Subject Term
insulator, electricity, faults, YOLOv5 model, GAN
Subject Term
عایق , برق , گسل، مدل , YOLOv5 ، GAN
PERSONAL NAME - PRIMARY RESPONSIBILITY
Entry Element
AL-Jumaili,
Entry Element
Salehpour,
Entry Element
Aghdasi,
Part of Name Other than Entry Element
Rusul
Part of Name Other than Entry Element
Pedram
Part of Name Other than Entry Element
Hadi S.
Relator Code
Producer
Relator Code
Thesis advisor
Relator Code
Consulting advisor
CORPORATE BODY NAME - PRIMARY RESPONSIBILITY
Entry Element
Tabriz
ORIGINATING SOURCE
Country
ایران
Agency
Central Library of Tabriz University
Date of Transaction
20221129
LOCATION AND CALL NUMBER
Call Number
ارشد پایاننامه QA76.A44 1401
ELECTRONIC LOCATION AND ACCESS
Electronic name
Rusul AL-Jumaili
Contact for access assistance
عبادی
e
TL
276903
a
Y
