Infrared Thermal Image Detection of Faulty Insulators in Distribution Lines Based on Multi-scale Template Matching
-
摘要: 瓷绝缘子在配电线路中应用广泛,受长期机电应力与户外恶劣环境影响,在运行中易发生劣化。红外热像法是一种重要的劣化绝缘子带电检测方法,具有检测方便、安全高效和非接触式的优点,已成为线路巡检的重要手段,但劣化绝缘子热像特征不明显,肉眼识别易出现误判。为此,本文首先对配电线路瓷绝缘子进行温度场仿真分析,然后提出了一种劣化绝缘子红外热像检测方法,采用多尺度模板匹配算法定位识别绝缘子,获取绝缘子红外图像中的坐标参数,并对其进行分割提取,通过最小二乘线性拟合提取绝缘子表面温度。结合相关标准与仿真分析结果,通过同类比较判断法对比多个绝缘子温度状态的差异,实现劣化绝缘子检测。Abstract: Porcelain insulators are widely used in power distribution lines, but they are susceptible to degradation during operation owing to long-term electromechanical stress and harsh outdoor environments. Infrared thermal imaging is an important live insulator degradation detection method. It has the advantages of convenient detection, safety, high efficiency, and non-contact operation. It has become an important method in power inspection. However, the thermal image characteristics of faulty insulators are not evident and cannot be recognized directly by the naked eye. Therefore, in this study, we first conduct a temperature field simulation analysis of porcelain insulators in distribution lines and then propose an infrared thermal image detection method for faulty insulators. A multi-scale template matching algorithm is used to locate and identify the insulators. The coordinate parameters of the insulator in the infrared image are obtained, the insulator is segmented and extracted by multi-scale template matching, and the temperature of the insulator is extracted by least-square linear fitting. Combined with the relevant standards and simulation analysis results, the differences in the temperature states among multiple insulators were compared using a similar comparison judgment method to detect faulty insulators.
-
0. 引言
线路绝缘子主要承担着连接导体和电气绝缘的功能,是整个电力系统的重要的组成部分[1-3]。由于绝缘子在生产过程中会造成一定的缺陷,以及受到自然环境的影响,绝缘子会自然劣化,绝缘性能不断减弱,绝缘子串的闪络概率将增大,最终造成电网运行的不稳定,而电力事故发生的概率也将增大,给生产生活带来不利的影响。因此绝缘子的定期检测与及时维修对于维护保障电网的安全至关重要[4-5]。
目前主流的低零值(根据DL/T596-1996《电力设备预防性试验规程》中的要求,每片悬式绝缘子的绝缘电阻不应低于300 MΩ,500 kV悬式绝缘子不低于500 MΩ。低于上述水平的,一般就认为是低值或零值绝缘子。)绝缘子检测方法有:光谱法、紫外脉冲法、径向温度法、超声波检测法等。但分析文献,发现不少方法存在危险性高、算法复杂等问题,均需进一步深入研究。由于低零值绝缘子在线路中温度变化明显,目前许多电力公司逐步采用红外成像技术对低零值绝缘子进行检测。然而目前图像处理技术对电力设备进行在线检测的研究面临着图像特征提取的困难,现有算法无法有效解决绝缘子状态检测的多分类问题,且面临处理海量数据检测耗时,检测正确率低的问题。因此,面向大数据的低零值绝缘子检测方法是今后研究的重点。
随着神经网络算法的不断改进,以深度学习为代表的人工智能理论与应用研究越来越多的被应用到故障检测识别中。目前BP(back propagation)神经网络、遗传算法[6]、Petri网络及决策树等不少数据挖掘的方法被成功应用到劣化绝缘子的诊断识别中。支持向量机同样被应用在电力系统的故障诊断领域,然而,直接采用支持向量机模型对绝缘子样本进行检测效果不尽理想。如何优化原有的支持向量机模型,解决大数据环境下绝缘子检测问题,是当下需要着重研究的方向。目前网格搜索法[7]、布谷鸟搜索算法[8]、粒子群算法[9]等等都成功被应用到优化向量机的参数寻优中。灰狼算法与支持向量机相结合应用在诸多领域中,如医学信号识别、植物种类识别、医学图像识别,其实验结果都有所改善,但很少被应用到电气设备故障诊断。本文提出的灰狼优化算法与支持向量机结合针对低零值绝缘子检测识别的应用尚属空白。
本文通过对绝缘子红外图像进行处理,对绝缘子红外图像样本进行多层次深度特征提取用于支持向量机分类识别,并采用灰狼算法实现对支持向量机参数的优化,实现对低零值绝缘子检测识别。
1. 绝缘子串红外图像预处理
1.1 信号绝缘子串红外图像增强
灰度变换增强可以增强红外图像中的目标与背景的对比度,提高图像的质量。灰度变换作为一种应用广泛的图像增强技术可使图像清晰、特征明显[10-12]。
设原图像为f(x, y),其灰度范围为[a, b];变换后的图像g(x, y),其灰度范围线性的扩展至[c, d]。
$$g\left( {x, y} \right) = \frac{{d - c}}{{b - a}}\left[ {f\left( {x, y} \right) - a} \right] + c$$ (1) 图像中大部分灰度级分布在区间[a, b]内,有少许部分在此区间之外,为了改善增强效果,可以令:
$$g\left( {x, y} \right) = \left\{ \begin{array}{l} c \\ \frac{{d - c}}{{b - a}}\left[ {f\left( {x, y} \right) - a} \right] + c \\ d \\ \end{array} \right.$$ (2) 直方图均衡化作为一种应用广泛的图像增强方法,可使绝缘子串同背景对比度增大,方便后期提取绝缘子串。
如图 1所示,直方图均衡化增大了绝缘子串与背景的灰度级,图像的对比度也增强了,这样有利于后期正确分割出绝缘子串和背景。
1.2 基于Ostu算法的图像自适应阈值分割
首先利用最大类间方差法(Ostu)对增强后的绝缘子红外图像进行分割[13],如图 2所示。该方法可自动选取阈值,分割效果好、速度快。
1.3 绝缘子分割
对Ostu分割得到的二值图像进行切割,提取图像中完整的绝缘子串,如图 3所示,为绝缘子缺陷检测智能认知工作做好准备。
1.4 基于Randon变换的图像倾斜校正
运用Ostu算法将绝缘子串的候选区域分割提取后,用Randon变换[14]的图像倾斜校正算法进行绝缘子角度校正,如图 4所示。
2. 灰狼算法支持向量机模型
2.1 支持向量机模型
支持向量机(support vector machine, SVM)是Bell实验室以V. Vapnik教授为首的研究小组针对小样本机器学习方法提出的一种新型模式识别方法[15]。
对于线性不可分的特征向量,需采用核函数将向量投放到高维空间中达到可以分类的效果。高斯径向基核函数作为应用最广泛的核函数,在缺乏样本数据的先验知识时,可通过调整参数取得较好的学习效果。本文采用高斯径向基核函数:
$$K\left( {{x_i}, {x_j}} \right) = {\rm{exp}}\left( { - \frac{{\left\| {{x_i} - {x_j}} \right\|}}{{2{\delta ^2}}}} \right)$$ (3) 式中:δ>0为高斯核的带宽。
设h维的空间上,针对线性可分问题,所有样本均满足约束件:
$${y_i}\left( {{\mathit{\boldsymbol{\omega }}^{\rm{T}}}{X_i} + {\omega _0}} \right) - 1≥0, i = 1, 2, {\rm{L}} $$ (4) 求解支持向量机可转化为分类间隔问题:
$$\mathop {{\rm{min}}}\limits_{\omega , b} \frac{1}{2}{\left\| \mathit{\boldsymbol{\omega }} \right\|^2}$$ (5) 在实际机器学习时,为了允许机器出现一些错分的点,通常在约束条件中加入松弛变量ζ>0,增加一个常数C作为惩罚因子:
$$\mathop {{\rm{min}}}\limits_{\omega , b, \zeta } \left( {\frac{1}{2}{{\left\| \mathit{\boldsymbol{\omega }} \right\|}^2} + C\sum\limits_{i = 1}^h {{\zeta _i}} } \right)$$ (6) 以上问题的求解,可以得到SVM回归表达式:
$$y\left( x \right) = {\rm{sgn}}\left( {\sum\limits_{j = 1}^h {{\alpha _j}{y_j}K\left( {{x_j}, x} \right) - b} } \right)$$ (7) 式中:αj为拉格朗日乘积因子。
2.2 灰狼优化算法
灰狼优化算法(grey wolf optimizer,GWO),是一种通过模拟灰狼捕猎过程中的狩猎和搜索行为建立的全局随机搜索算法。由澳大利亚学者Seyedali. Mirjalili等人在2014年提出的新型算法[16]。GWO算法与粒子群优化算法(particle swarm optimization,PSO)类似,是一个从随机解出最优解的过程。该方法相较于PSO、网格搜索算法(GS)等算法参数少,结构简单,同时又有较强的收敛性,已成功应用于图像处理等领域中。
将最优解设为α,第二个和第三个最佳解分别命名为β和δ,而其余的解均设为ω。狼群通过3只个体狼α、β和δ为初始解带领狼群ω在空间中向猎物(最优解)逼近,经过图 5所示的狼群移动方式,不断迭代,引导狼群不断靠近全局最优解。搜索过程狼群捕食位置更新:
$$D = \left| {C \cdot {X_{\rm{p}}}\left( t \right) - X\left( t \right)} \right|$$ (8) $$X\left( {t + 1} \right) = {X_{\rm{p}}}\left( t \right) - A \cdot D$$ (9) 式中:D为当前灰狼距猎物距离;A和C为系数向量;Xp是猎物的位置向量。
$$A = 2 \cdot a \cdot {r_1} - a$$ (10) $$C = 2 \cdot {r_2}$$ (11) 式中:a随迭代次数从2~0递减;r1,r2是[0, 1]内的随机向量。
为了模拟狩猎行为,假设α,β和δ对猎物的潜在位置有更好的了解,在每次迭代过程中,保留当前最优的α,β和δ解。
$$\left\{ \begin{array}{l} {D_\alpha } = \left| {{C_1} \cdot {X_\alpha }\left( t \right) - X\left( t \right)} \right| \\ {D_\beta } = \left| {{C_2} \cdot {X_\beta }\left( t \right) - X\left( t \right)} \right| \\ {D_\delta } = \left| {{C_3} \cdot {X_\delta }\left( t \right) - X\left( t \right)} \right| \\ \end{array} \right.$$ (12) $$\left\{ \begin{array}{l} {X_1} = {X_\alpha } - {A_1} \cdot {D_\alpha } \\ {X_2} = {X_\beta } - {A_2} \cdot {D_\beta } \\ {X_3} = {X_\delta } - {A_3} \cdot {D_\delta } \\ \end{array} \right.$$ (13) $${X_{\rm{p}}}\left( {t + 1} \right) = \frac{{{X_1} + {X_2} + {X_3}}}{3}$$ (14) 式中:Xα,Xβ和Xδ分别代表α狼,β狼和δ狼当前位置;Dα,Dβ和Dδ分别代表当前狼位置和3只头狼的位置间的距离;A1,A2和A3为随机系数向量;t表示迭代次数。
2.3 GWO-SVM
采用GWO优化算法对绝缘子红外图谱识别的SVM网络核参数惩罚因子C与核宽度δ进行参数优化,以达到图谱分类识别的准确性和泛化能力。
① 输入绝缘子图谱的特征量,选取部分作为SVM的训练集,并将剩余的特征向量集作为测试集,以验证SVM识别的准确率。
② 初始化狼群数量、迭代次数,设置惩罚因子C与核宽度δ的范围。
③ SVM根据初始参数C与δ进行训练和测试,并以错误率最小化为目标。
④ GWO以C与δ为猎物进行优化,达到最大迭代次数时输出GWO全局最优值。
⑤ 将处理后的绝缘子图谱样本分别作为SVM的训练集与测试集。采用最佳参数C与δ建立识别模型,并对测试样本进行预测、分析。
3. 实验结果与分析
3.1 数据描述
为了验证所提出的基于GWO-SVM劣化绝缘子状态检测的可行性,由于目前未建立绝缘子红外图像数据库,我们选取200幅绝缘子图像作为绝缘子样本库。采取随机抽样的方法选取两类样本,其中训练样本120幅,测试样本80幅。所有样本由多位人工分拣专家投票分为完好和低零值两类(如图 6所示)。
3.2 绝缘子检测结果
本文利用灰狼优化算法、粒子群优化算法(random-search)和网格搜索算法(grid-search)对支持向量机参数进行优化。我们对比了3种算法的寻优时间、寻参效率和训练准确率。如表 1所示,灰狼优化算法的各项性能都要比另外两种算法好,其准确率及寻参效率都高于其余两种优化算法。
表 1 参数寻优方法对比Table 1. Comparison of parameter optimization methodsParameter optimization method Accuracy/% Optimization time/s Seeking efficiency/(s/time) Grid-search 91.523 12.693 0.2487 Random-search 92.267 8.159 0.3156 Grey wolf optimizer 95.246 6.251 0.1145 从3种算法优化支持向量机的结果看,网格搜索耗时长且识别准确率低,且寻优时存在复杂度高,运算量大等不足。粒子群优化算法收敛速度快,算法简单,但也存在很明显的缺点,它对于有多个局部极值点的函数,容易陷入到局部极值点中,得不到正确的结果,因此其优化向量机识别的正确率不高。而灰狼优化算法识别准确率可达到95.246%,寻优时间最少且寻参效率高。灰狼算法充分利用先验知识,避免由于惩罚参数过大而导致算法陷入局部最优的风险。因此灰狼优化相比于粒子群搜索算法和网格搜索算法能高效的对低零值绝缘子进行识别。图 7为SVM参数寻优过程。
本文通过网格优化、粒子群优化和灰狼优化这3种优化算法对支持向量机的参数C和δ进行优化。图 8为不同优化算法的故障识别对比。
通过图 8不同优化算法的识别对比,可以看出GWO-SVM诊断方式相比于GS-SVM和PSO-SVM识别正确率更高。对于图 8分类的结果,结合表 1,GWO-SVM错误识别的绝缘子仅有一个,且GWO寻优时间及寻参效率明显优于GS与PSO,满足预设要求。整个绝缘子串检测系统可以实现有效地对低零值绝缘子进行故障诊断,具有工程实际意义。
4. 结束语
1)本文绝缘子红外图像样本进行了多层次深度特征提取,相比于现有的深度模型提取的特征具有更强的鉴别能力。
2)本文提出红外图像和灰狼算法优化支持向量机相结合的方法实现对低零值绝缘子的检测识别,能够在大数据层面准确地识别低零值绝缘子,减少人力,物力以及财力。
3)本文采用灰狼算法优化支持向量机参数,并采用高斯径向基核函数,得到的识别模型识别效果好。
-
表 1 材料属性
Table 1 Material parameters
Property Heat conductivity
/[W(m2·K)-1]Specific heat capacity
/[J(kg·℃)-1]Cap 1.22 816 Cement 2 80 Pin 4.5 465 Wire Aluminum 170 881 Steel 43 470 Insulation 0.4 800-1200 表 2 仿真结果
Table 2 The simulation results
Maximum temperature Global Insulator Normal insulator 33.4℃ 31.3℃ Low resistance insulator 33.4℃ 32.4℃ Zero resistance insulator 31.2℃ 29.7℃ 表 3 灰度值以及与其对应的温度
Table 3 Gray value and its corresponding temperature
Gray Value (x) 27 39 51 60 66 75 81 90 96 105 112 120 Temperature (y)/℃ 1 2 3 4 5 6 7 8 9 10 11 12 Gray Value (x) 132 141 150 159 165 177 186 195 207 219 225 235 Temperature (y)/℃ 13 14 15 16 17 18 19 20 21 22 23 24 表 4 P-10型绝缘子红外热像的温度提取结果
Table 4 Temperature extraction results of P-10 insulator infrared thermal image
Sequence number Original images Frequency maximum gray value Actual temperature /℃ 1 a.jpg 215 22.1556 2 b.jpg 216 22.2688 3 c.jpg 214 22.0424 4 d.jpg 215 22.1556 5 e.jpg 221 22.8347 6 f.jpg 206 21.1368 7 g.jpg 216 22.2688 8 h.jpg 221 22.8347 表 5 PS-15型绝缘子红外热像的温度提取结果
Table 5 Temperature extraction results of PS-15 insulator infrared thermal image
Sequence number Original images Frequency maximum gray value Actual temperature /℃ 1 i.jpg 217 22.3820 2 j.jpg 224 23.1744 3 k.jpg 215 22.1556 4 l.jpg 216 22.2688 -
[1] 王羽, 文习山, 蓝磊, 等. 提高架空配电线路耐雷水平的仿真分析[J]. 高电压技术, 2011, 37(10): 2471-2476. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ201110022.htm WANG Yu, WEN Xishan, LAN Lei, et al. Simulation analysis on improving lightning withstanding level of overhead distribution lines[J]. High Voltage Engineering, 2011, 37(10): 2471-2476. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ201110022.htm
[2] 邱志斌, 阮江军, 黄道春, 等. 输电线路悬式瓷绝缘子老化形式分析与试验研究[J]. 高电压技术, 2016, 42(4): 1259-1267. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ201604027.htm QIU Zhibin, RUAN Jiangjun, HUANG Daochun, et al. Study on aging modes and test of transmission line porcelain suspension insulators[J]. High Voltage Engineering, 2016, 42(4): 1259-1267. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ201604027.htm
[3] 汪小丁. 10 kV配电线路防雷分析与海宁地区防雷讨论[J]. 农村电气化, 2022(7): 24-26. https://www.cnki.com.cn/Article/CJFDTOTAL-NCDH202311002.htm WANG Xiaoding. Analysis and discussion on lightning protection of 10 kV distribution line[J]. Rural Electrification, 2022, (7): 24-26. https://www.cnki.com.cn/Article/CJFDTOTAL-NCDH202311002.htm
[4] 国家能源局. 输变电设备状态检修试验规程: DL/T 393-2010 [S]. 北京: 中国电力出版社, 2010. National Energy Administration. Regulations of Condition-based Maintenance & Test for Electric Equipment: DL/T 393-2010[S]. Beijing: China Electric Power Press, 2010.
[5] 国家能源局. 劣化悬式绝缘子检测规程: DL/T 626-2015 [S]. 北京: 中国电力出版社, 2015. National Energy Administration. Aging suspension insulators inspection rule: DL/T 626-2015[S]. Beijing: China Electric Power Press, 2015.
[6] 王力农, 简思亮, 宋斌, 等. 基于电场分布测量法的输电线路劣化绝缘子检测研究[J]. 电瓷避雷器, 2019(4): 199-205. https://www.cnki.com.cn/Article/CJFDTOTAL-DCPQ201904034.htm WANG Linong, JIAN Siliang, SONG Bin, et al. Research on the detection of faulty insulator in transmission line based on electric field distribution measurement[J]. Insulators and Surge Arresters, 2019(4): 199-205. https://www.cnki.com.cn/Article/CJFDTOTAL-DCPQ201904034.htm
[7] 卢航, 姚建刚, 付鹏. 基于总体最小二乘的Shearlet自适应零值绝缘子红外图像去噪[J]. 红外技术, 2015, 37(10): 842-846. http://hwjs.nvir.cn/article/id/hwjs201510007 LU Hang, YAO Jiangang, FU Peng, et al. Faulty insulators infrared thermal image adaptive denoising based on total least squares estimation and Shearlet transform[J]. Infrared Technology, 2015, 37(10): 842-846. http://hwjs.nvir.cn/article/id/hwjs201510007
[8] 程洋, 夏令志, 李志飞, 等. 基于红外成像法的零值瓷绝缘子检测[J]. 绝缘材料, 2019, 52(3): 74-79. https://www.cnki.com.cn/Article/CJFDTOTAL-JYCT201903014.htm CHENG Yang, XIA Lingzhi, LI Zhifei, et al. Detection of faulty porcelain insulator based on infrared imaging method[J]. Insulating Materials, 2019, 52(3): 74-79. https://www.cnki.com.cn/Article/CJFDTOTAL-JYCT201903014.htm
[9] 张美金, 屈秋帛. 基于GWO-SVM的红外热成像低零值绝缘子识别[J]. 红外技术, 2021, 43(4): 397-402. http://hwjs.nvir.cn/article/id/2e60cc20-25fd-4344-8e38-ff3768e03fa2 ZHANG Meijin, QU Qiubo. Infrared thermography low-zero insulator identification based on GWO-SVM[J]. Infrared Technology, 2021, 43(4): 397-402. http://hwjs.nvir.cn/article/id/2e60cc20-25fd-4344-8e38-ff3768e03fa2
[10] 王胜辉, 姜婷玥, 李伟, 等. 零值绝缘子串红外和紫外成像特性试验及耦合场仿真研究[J]. 高压电器, 2021, 57(12): 1-9. https://www.cnki.com.cn/Article/CJFDTOTAL-GYDQ202112001.htm WANG Shenghui, JIANG Tingyue, LI Wei, et al. Study on infrared and UV imaging characteristics test and coupling field simulation of zero-value insulator strings[J]. High Voltage Apparatus, 2021, 57(12): 1-9. https://www.cnki.com.cn/Article/CJFDTOTAL-GYDQ202112001.htm
[11] 王海涛, 郑雷, 李健, 等. 500 kV瓷绝缘子串的分体式低/零值检测机器人优化设计与实测[J]. 高电压技术, 2020, 46(9): 3035-3043. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ202302015.htm WANG Haitao, ZHENG Lei, LI Jian, et al. Optimization design and measurement test of a split low/zero insulator detection robot for 500 kV porcelain insulator strings[J]. High Voltage Engineering, 2020, 46(9): 3035-3043. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ202302015.htm
[12] 彭向阳, 梁福逊, 钱金菊, 等. 基于机载红外影像纹理特征的输电线路绝缘子自动定位[J]. 高电压技术, 2019, 45(3): 922-928. PENG Xiangyang, LIANG Fuxun, QIAN Jinju, et al. Automatic recognition of insulator from UAV infrared image based on periodic textural feature[J]. High Voltage Engineering, 2019, 45(3): 922-928.
[13] 张也, 彭子健, 付强, 等. 环境湿度对瓷质绝缘子串电压分布及红外热像检测的影响分析[J]. 电网技术, 2018, 42(4): 1342-1349. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS201804043.htm ZHANG Ye, PENG Zijian, FU Qiang, et al. Analysis of environment humidity influence on voltage distribution and infrared thermal image detection of porcelain insulator strings[J]. Power System Technology, 2018, 42(4): 1342-1349. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS201804043.htm
[14] 张晓春, 欧阳广泽, 何洪英, 等. 基于红外图像匹配的零值绝缘子检测[J]. 电测与仪表, 2019, 56(6): 100-105. https://www.cnki.com.cn/Article/CJFDTOTAL-DCYQ201906018.htm ZHANG Xiaochun, OUYANG Guangze, HE Hongying, et al. Zero -insulator detection based on infrared images matching[J]. Electrical Measurement & Instrumentation, 2019, 56(6): 100-105. https://www.cnki.com.cn/Article/CJFDTOTAL-DCYQ201906018.htm
[15] 李唐兵, 陈国锋, 饶斌斌, 等. 一种改进的劣化盘形悬式瓷绝缘子红外热像诊断方法[J]. 电瓷避雷器, 2014(6): 8-13. https://www.cnki.com.cn/Article/CJFDTOTAL-DCPQ201406002.htm LI Tangbing, CHEN Guofeng, RAO Binbin. A improved method of detecting deterioration insulator based on infrared thermal image[J]. Insulators and Surge Arresters, 2014(6): 8-13. https://www.cnki.com.cn/Article/CJFDTOTAL-DCPQ201406002.htm
[16] 国家能源局. 带电设备红外诊断应用规范: DL/T 664-2016 [S]. 北京: 中国电力出版社, 2016. National Energy Administration. Application rules of infrared diagnosis for live electric equipment: DL/T 664-2016 [S]. Beijing: China Electric Power Press, 2016.
[17] 刘鹏. 基于红外和紫外成像法的零值绝缘子发热与放电特性研究[D]. 北京: 华北电力大学, 2016. LIU Peng. Study on Zero Value Insulator Heating and Discharge Characteristic Based on the Infrared and Ultraviolet Imaging Method [D]. Beijing: North China Electric Power University, 2016.
[18] 莫运德, 马谦. 陶瓷材料导热率及其影响因素的探讨[J]. 中国陶瓷, 1983(3): 14-17. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGTC198304004.htm MO Yunde, MA Qian. Discussion on thermal conductivity of ceramic materials and its influencing factors[J]. China Ceramics, 1983(3): 14-17. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGTC198304004.htm
[19] 张俊双, 郑重, 钱文晓, 等. 计及多因素影响的直流电弧对瓷绝缘子热效应仿真分析[J]. 电瓷避雷器, 2016(2): 18-23. https://www.cnki.com.cn/Article/CJFDTOTAL-DCPQ201602004.htm ZHANG Junshuang, ZHENG Zhong, QIAN Wenxiao, et al. The simulation analysis of DC arc thermal effect on porcelain insulators considering multiple factors[J]. Insulators and Surge Arresters, 2016(2): 18-23. https://www.cnki.com.cn/Article/CJFDTOTAL-DCPQ201602004.htm
[20] 徐鑫, 方春华, 智李, 等. 连续激光作用下瓷质绝缘子温度和热应力分析[J]. 光电子激光, 2021, 32(1): 78-87. https://www.cnki.com.cn/Article/CJFDTOTAL-GDZJ202101012.htm XU Xin, FANG Chunhua, ZHI Li, et al. Analysis of temperature and thermal stress of porcelain insulator under continuous laser irradiation[J]. Journal of Optoelectronics·Laser, 2021, 32(1): 78-87. https://www.cnki.com.cn/Article/CJFDTOTAL-GDZJ202101012.htm
[21] 王畇浩. 基于可见光与红外航拍图像的输电线路绝缘子多故障检测研究[D]. 成都: 电子科技大学, 2019. WANG Yunhao. Research on Multi-fault Detection of Transmission Line Insulators Based on Visible and Infrared Aerial Images[D]. Chengdu: University of Electronic Science and Technology of China, 2019.
[22] HUANG S, TANG C, XU M, et al. BM3D-based total variation algorithm for speckle removal with structure-preserving in OCT ima ges[J]. Applied Optics, 2019, 58(23): 6233-6243.
[23] 刘飞飞, 马礼然. 快速模板匹配算法在口罩耳绳检测中的应用[J]. 传感器与微系统, 2022, 41(1): 157-160. https://www.cnki.com.cn/Article/CJFDTOTAL-CGQJ202201041.htm LIU Feifei, MA Liran. Application of fast template matching algorithm in mask ear band detection[J]. Transducer and Microsystem Technologies, 2022, 41(1): 157-160. https://www.cnki.com.cn/Article/CJFDTOTAL-CGQJ202201041.htm
[24] 卞艳, 宫雨生, 马国鹏, 等. 基于无人机遥感影像的水体提取方法[J]. 浙江大学学报: 工学版, 2022, 56(4): 764-774. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC202204016.htm BIAN Yan, GONG Yusheng, MA Guopeng. Water extraction from unmanned aerial vehicle remote sensing images[J]. Journal of Zhejiang University : Engineering Science, 2022, 56(4): 764-774. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC202204016.htm
[25] 张俊, 关胜晓. 基于改进的最大后验概率矢量量化和最小二乘支持向量机集成算法[J]. 计算机应用, 2015, 35(7): 2101-2104. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJY201507060.htm ZHANG Jun, GUAN Shengxiao. Integration algorithm of improved maximum a posteriori probability vector quantization and least squares support vector machine[J]. Journal of Computer Applications, 2015, 35(7): 2101-2104. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJY201507060.htm
[26] Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems on Man and Cybernetics, 1979, 9(1): 62-66.
[27] 聂茜茜, 肖斌, 毕秀丽, 等. 基于超像素级卷积神经网络的多聚焦图像融合算法[J]. 电子与信息学报, 2021, 43(4): 965-973. https://www.cnki.com.cn/Article/CJFDTOTAL-DZYX202104011.htm NIE Qianqian, XIAO Bin, BI Xiuli, et al. Multi-focus image fusion algorithm based on super pixel level convolutional neural network[J]. Journal of Electronics & Information Technology, 2021, 43(4): 965-973. https://www.cnki.com.cn/Article/CJFDTOTAL-DZYX202104011.htm
-
期刊类型引用(2)
1. 付沛,崔岚,李硕. 基于高光谱成像的光敏印油种类区分实验. 中国无机分析化学. 2024(06): 836-841 . 百度学术
2. 李硕,崔岚,付沛. 基于高光谱成像结合分光光度技术的喷墨打印墨水种类鉴别方法. 中国无机分析化学. 2024(06): 826-835 . 百度学术
其他类型引用(0)