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
配电线路分布广泛且靠近用户侧，其安全稳定运行直接影响供电可靠性。由于自身绝缘水平较低，配电线路在遭受雷击时易造成绝缘子闪络或击穿事故[1]。瓷绝缘子在生产制造过程中通常会出现一些工艺缺陷，内部存在微裂纹或小气孔，在长期带电运行过程中，受机电负荷与恶劣气候条件影响，其机械强度和绝缘性能会逐渐发生劣化，出现低值或零值绝缘子，严重威胁配电线路的安全运行[2]。
配电线路瓷绝缘子遭受雷击后会加速其机电性能劣化[3]。为避免劣化绝缘子引发线路事故，相关标准[4-5]规定需对瓷绝缘子开展定期检测。国内外研究者们提出了电场测量法[6]、红外热像法[7-9]、紫外成像法[10]、机器人检测法[11]等多种方法检测输配电线路的劣化绝缘子。其中，红外热像法是指利用红外热像仪拍摄带电运行的绝缘子，通过对比绝缘子间温度状态的差异来判断是否存在劣化绝缘子，因其存在不影响运行、检测方便和安全高效的优点，是现有技术中相对可行的现场检测方法。
近年来，红外热像法在劣化绝缘子检测领域得到了广泛关注，国内外学者在该领域的研究也逐渐丰富。文献[12]针对无人机拍摄的红外图像，基于周期纹理特征进行绝缘子定位识别；文献[13]研究了环境湿度对红外热像法检测瓷绝缘子的影响，结果表明，湿度保持在80%左右最有利于劣化绝缘子的检测；文献[14]提出了一种改进的随机抽样一致算法，通过红外图像中绝缘子特征点的精匹配，实现劣化绝缘子的准确、快速识别。文献[15]验证了红外热像法用以检测劣化瓷绝缘子的实用性，但仅依靠带电设备红外诊断应用规范[16]诊断劣化绝缘子效果不佳，正确检出率较低。目前研究表明，红外图像的采集易受到气象因素、检测距离、拍摄角度、环境湿度等多重因素影响，导致红外图像不易处理，且劣化绝缘子检测判据单一、漏判率高。
针对上述问题，本文首先对配电线路瓷绝缘子进行建模仿真分析，与带电设备红外诊断应用规范相互验证，提出检测配电线路劣化绝缘子的判据；然后提出一种基于多尺度模板匹配的配电线路劣化绝缘子红外热像检测方法，以广泛应用的P-10型绝缘子红外图像为例，对图像进行去噪和灰度化预处理，采用多尺度模板匹配算法实现绝缘子的定位识别，获取红外图像中绝缘子的坐标参数，并对绝缘子进行分割，通过最小二乘线性拟合提取绝缘子温度，通过同类比较判断法对比多个绝缘子的温度差异，实现劣化绝缘子的检测。
1. 劣化绝缘子红外检测原理
瓷绝缘子的劣化可通过发热异常的形式体现，通过红外热像仪可以将红外能量转换成红外图谱，从而判断其发热状态。劣化绝缘子包含低值绝缘子和零值绝缘子，正常绝缘子阻值在300 MΩ以上，低值绝缘子阻值在10~300 MΩ，零值绝缘子阻值低于10 MΩ，绝缘子发热公式如下：
$$ Q = {I^2}Rt = \frac{{{U^2}}}{R}t $$ (1) 式中：Q是绝缘子的发热量；U是绝缘子两端电压；R是绝缘子电阻值；t是运行时间。
正常绝缘子劣化成低值绝缘子后，阻值降低，由(1)式知，发热功率上升。当阻值降低到临界阈值以下，绝缘子的内部绝缘被击穿，出现泄漏电流，此时零值绝缘子两端电位差接近0，导致发热功率下降，向外辐射的红外能量也减少。相比于正常情况下的发热特征，低值绝缘子的灰度值高于正常绝缘子，零值绝缘子的灰度值低于正常绝缘子。
本文根据劣化绝缘子与正常绝缘子的红外热像差异，对配电线路瓷绝缘子进行建模与温度场仿真分析，提出一种基于多尺度模板匹配的劣化绝缘子红外热像检测方法，两种方法相互验证实现劣化绝缘子检测，流程如图 1所示。
2. 配电线路瓷绝缘子温度场仿真分析
2.1 有限元仿真模型
以图 2(a)所示的配电线路为例进行建模仿真，所采用的P-10型绝缘子由瓷件、水泥胶合剂及铁脚组成，其三维模型如图 2(b)所示。零值绝缘子的剖面图如图 2(c)所示，将导线和绝缘子铁脚间的局部瓷件及混凝土胶合剂部分设置为金属导体材料，代表贯穿性缺陷，外部仍为瓷件材料[17]。低值绝缘子的剖面图如图 2(d)所示，对绝缘子出现裂痕的情况进行仿真，在绝缘子内部建立3条极其细微且长度为20 mm裂痕，裂痕的产生会加速绝缘材料老化，导致裂痕周围局部瓷件导热率下降[18]。
2.2 仿真边界条件及材料属性
设置环境温度为25℃，导线采用钢芯铝绞线，由于比热容和导热率对温度场影响比较大，故在材料参数设置时，只考虑这两种参数，如表 1所示[19-20]。
表 1 材料属性Table 1. Material parametersProperty 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 2.3 仿真结果分析
当环境温度为25℃时，计算得到的温度分布云图如图 3所示，从左到右依次是正常绝缘子、零值绝缘子、低值绝缘子。零值绝缘子缺陷周围的温度比正常绝缘子低2℃左右，其余部分温差在1℃左右，低值绝缘子缺陷周围的温度比正常绝缘子高2℃左右，其余部分温差在1℃左右。由表 2可知：零值绝缘子发热最高温度比正常绝缘子要低1.6℃左右，低值绝缘子比正常绝缘子最高温度高1.1℃。符合带电设备红外诊断应用规范标准所述：零值绝缘子发热温度比正常绝缘子要低1℃左右，低值绝缘子发热温度比正常绝缘子要高1℃左右。可将仿真结果作为劣化绝缘子红外热像检测的判据。
表 2 仿真结果Table 2. The simulation resultsMaximum temperature Global Insulator Normal insulator 33.4℃ 31.3℃ Low resistance insulator 33.4℃ 32.4℃ Zero resistance insulator 31.2℃ 29.7℃ 3. 红外图像预处理
3.1 灰度化
彩色图像又称为RGB图像，是由R、G、B三个通道分量构成的三维矩阵，矩阵中的数值代表该点的像素值，每个像素的三通道分量均有256种取值，为了减少计算机的运算量，需要将RGB图像转换成数据量更小的灰度图像。灰度图像是彩色图像中的特例，其中一个像素点的变化范围不变，但R、G、B三个通道数值相同，因此数据量相比于RGB图像少很多。灰度化就是使一幅彩色图像的R、G、B三通道转换成相同数值矩阵的图像处理方法。图像经过灰度化处理后仍然保留了RGB图像的亮度和色度的特点[21]。本文采取加权法灰度化：
$$ \begin{gathered} \text{Gray}(x,y) = 0.299R(x,y) + 0.587G(x,y) \\ {\text{ }} + 0.114B(x,y) \\ \end{gathered} $$ (2) 式中：(x, y)为像素点的坐标位置；Gray(x, y)为该像素点灰度值；R(x, y)、G(x, y)、B(x, y)分别为该像素点红、绿、蓝色通道分量的数值。
3.2 BM3D图像去噪
三维块匹配滤波（block-matching and 3D filtering，BM3D）是目前降噪性能最优的算法之一[22]，该算法综合了频率滤波和空间滤波的优点，能够使图像的细节信息损失降到最低，得到很高信噪比。该算法分两步进行图像去噪，第一步称为基础估计滤波，第二步称为最终估计滤波，每一步均包括相似块分组、协同滤波和聚集3个部分，基础估计为最终估计提供权重参数，最终估计取基础估计的权重参数进行滤波。BM3D算法流程如图 4所示。
1）相似块分组：将红外图像分成大小相同的图像块，取一图像块作为参考块，在参考块的邻域内匹配相似块，并将每组参考块与相似块归为一类三维矩阵。块与块之间的相似性用块间距表示，块间距越小，其相似性也就越高。这样即可构造出若干个相似块组。
2）协同滤波：对每个相似块组进行二维变换，变换到频率域，再通过硬阈值收缩滤波在频率域进行滤波处理，随后通过三维逆变换到空间域得到处理后的图像块。每个图像块都是对去噪图像的估计，最后将各个图像块恢复到原位置。
3）聚集：由于在相似块匹配阶段会出现重复匹配的情况，某一个像素点可能会出现在多个图像块中，因此需要通过聚集对有重叠的图像块估计值进行加权平均处理，从而得到该像素点的估计值。
以一幅瓷绝缘子红外图像为例，经过灰度化和BM3D去噪预处理后的图像如图 5所示。
4. 绝缘子定位识别
4.1 模板匹配算法
模板匹配算法通过给定一幅模板图像，采用相关系数匹配法等相似度度量算法对待匹配图像与模板图像进行比较，找到待匹配图像上与模板图像相似度最高的部分，该部分即为提取到的感兴趣区域（region of interest，ROI）[23]。如图 6所示，构建模板图像库，该库由多幅30 pixel×30 pixel尺寸的P-10型绝缘子图像构成，每次进行模板匹配时可从中选出一幅作为模板图像，目标图像为一幅经过预处理的P-10型绝缘子图像。
模板图像在目标图像上从左上角坐标原点开始平移滑动，直到遍历目标图像为止。每滑动一个像素就得计算模板图像与红色矩形框内子图的相似度，在获得的相似度图像中，计算出最大相似图像，即为提取到的ROI。
采用相关系数匹配法进行模板匹配，模板图像和目标图像的每个像素点都减去总体像素的平均值，使其均没有直流分量，计算公式为：
$$ T'(x,y) = T(x,y) - \frac{{\sum\nolimits_{x',y'} {T(} x',y')}}{{w \times h}} $$ (3) $$ I'(x,y) = I(x,y) - \frac{{\sum\nolimits_{x',y'} {I(} x',y')}}{{w \times h}} $$ (4) 式中：T和I分别表示模板图像和目标图像；w和h为模板图像T的宽和高；(x, y)和(x′, y′)是图中某个点相对于目标图像I原点与红色矩形框内子图左上角的坐标，T'(x', y')和I'(x', y')是T和I中该点的已降低灰度值。模板图像T与红色矩形框内子图的相似度函数如下：
$$ R(x,y) = \sum\nolimits_{x',y'} {[T'(} x',y') \cdot I'(x + x',y + y')] $$ (5) 通过模板匹配识别图 5中的绝缘子，ROI的结果如图 7所示。
4.2 Canny算子边缘检测
Canny算子是图像边缘检测的常用方法，其检测准确性高，可以识别图像中物体的边缘，并尽可能保证图像的边缘特征，减少图像中杂乱数据的干扰[24]。通过Canny算子进行边缘检测的原理如下：
① 通过高斯滤波进行图像去噪；
② 采样梯度算子计算垂直、水平、对角线方向的梯度，采用非极大值抑制消除边缘检测带来的杂散响应，得到图像梯度中的局部最大值；
③ 进行高低阈值检测，得到图像中物体准确的边缘，高于高阈值的像素设定为强边缘，低于低阈值的像素被抑制，最终得到二值图像。
4.3 多尺度模板匹配算法
如图 7所示，模板匹配虽然可以匹配目标图像中的绝缘子，但是ROI却并没有与绝缘子大小一致，仍然包含了绝缘子周围的区域。本文采用多尺度模板匹配解决上述问题，其具体原理如下：
① 将目标图像和模板图像先转换成灰度图，然后采用Canny算子提取模板图像和目标图像的边缘，利用模板图像边缘进行模板匹配。
② 将提取边缘后的模板图像在目标图像上滑动，红色矩形框即为模板图像在目标图像上滑动时的位置，同时目标图像根据Scale比例进行缩放，并保持宽高比，当缩放到图像小于模板图像时，则停止缩放。依据相关系数匹配法计算模板图像与当前红色矩形框内图像的相似度，以进行相关性匹配，
从计算结果中找到相似度最高的红色矩形框内的图像，即为提取到的ROI，算法模型如图 8所示。
经过多尺度模板匹配后，红外图像中的绝缘子被最小外接矩形框标识出来，可以准确显示其位置，ROI提取结果如图 9所示。
5. 绝缘子温度提取
5.1 读取温宽条灰度矩阵
在计算机视觉领域中，图像的本质就是数值矩阵，数值为像素值的大小，且彩色图像是由RGB三维矩阵所构成的，灰度图像也是三维矩阵，只不过灰度图像中R矩阵、G矩阵和B矩阵是相等的，亦可称为灰度矩阵。
本文通过对一幅P-10型绝缘子的红外热像及其温宽条进行相同的加权均值灰度化处理，读取温宽条及其周边区域的灰度值，得到一组27 pixel×147 pixel×3大小的三维灰度值矩阵，其部分矩阵如图 10所示，其中，矩形框内的数字为温宽条的部分灰度值矩阵，矩形框外的数字是温宽条周边区域的灰度值。本文选取的温宽条温度范围为1℃~24℃，保持数据集中的红外图像为同一温宽条，便于对其进行研究分析，在读取温宽条灰度矩阵时可减少数据误差。
通过研究温宽条灰度矩阵可得出以下规律：①温宽条外区域的灰度值随机排列；②温宽条的灰度矩阵中的灰度值随温度下降单调递减，且基本呈线性关系，可对温宽条进行线性拟合，得到温度与灰度值的关系。
5.2 最小二乘线性拟合
最小二乘法是将散点拟合成直线的常用方法，设(xi, yi)是一组观测数据，且(xi, yi)∈R，满足以下函数：
$$ {y_i} = f({x_i},t) $$ (6) 其中t＝[t1, t2, t3, …, tn]T为待定参数。为了寻找函数t的最优估计值，对于给定的m组观测数据(xi, yi)（i＝1, 2, …, m），只要观测数据的组数比待定参数多，那模型的参数是唯一确定的解，求解目标函数：
$$ L(y,f(x,t)) = \sum\limits_{i = 1}^m {[{y_i}} - f({x_i},{t_i}){]^2} $$ (7) 式中：使目标函数取最小值的参数ti(i＝1, 2, …, n)即为最优估计值。最小二乘法是求方程组近似解的估计算法，以最小残差平方和确定最佳匹配函数，通过拟合直线求取未知的数据，并使得这些求取值与实际值之间误差的平方和为最小值[25]。
根据5.1节中温宽条灰度矩阵的排列规律，从温宽条灰度矩阵中每隔1℃选取24组灰度值及其对应的温度，如表 3所示，以灰度值为自变量x，温度为因变量y，进行最小二乘线性拟合，结果如图 11所示，可得到y＝0.1132x－2.1824为灰度值与温度的对应关系式。经过误差分析，当x＝112时，经拟合直线所求的y＝10.496，与实际值y＝11相差0.504，为拟合数据中的最大误差，即经过最小二乘线性拟合，提取红外图像上各像素的温度值，最大误差在±0.5℃之内，平均误差在±0.20℃之内，其精度可以满足劣化绝缘子检测分析要求。
表 3 灰度值以及与其对应的温度Table 3. Gray value and its corresponding temperatureGray 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 5.3 绝缘子区域温度分布
根据最小二乘线性拟合结果，红外图像中每一个像素点都对应不同的温度大小，本文选取图 9红色矩形框内绝缘子图像为例，将其转换为3维图像，可得到绝缘子区域的温度分布，如图 12所示，其中黄色区域是红外图像中的绝缘子区域。
由于红外线由物体表面向四周散发，从固定角度拍摄物体，面向拍摄角度的热量会接收的更多，故红外图像中的物体边缘温度会略低于内部温度。同时，部分红外图像会出现绝缘子被遮挡的情况，因此在读取绝缘子温度时，不宜选取整个绝缘子区域求取内部的平均温度，本文根据图 12中绝缘子区域温度分布情况，以出现频率最高的灰度值代表绝缘子的实际灰度值，将其最小二乘拟合结果作为实际温度。
6. 算例验证与结果分析
6.1 P-10型绝缘子红外热像检测
本文算例在Python3.6版本的软件环境以及CPU为2.90 GHz、Intel Core i5-10400H硬件环境下完成。选取某10 kV配电线路的两种型号瓷绝缘子，采用红外热像仪采集图像数据，拍摄时气温在16℃~22℃之间，图像大小为290 pixel×240 pixel。
选取P-10型绝缘子的8幅典型红外图像为例，依次命名为a.jpg~h.jpg，通过预处理凸显图像的信息特征、减少图像中的杂乱信息，采用多尺度模板匹配算法准确定位红外图像中的绝缘子，经过阈值分割[26]与图像融合[27]将绝缘子从红外图像中分割提取出来，结果如图 13所示。通过读取绝缘子内出现频率最高的灰度值，代入拟合直线y＝0.1132x－2.1824求取实际温度，结果如表 4所示。根据劣化绝缘子的判据可知，在红外图像中零值绝缘子呈现暗色调，低值绝缘子呈现亮色调，通过对比多个绝缘子间的温度状态差异，可以实现劣化绝缘子的检测。上述8幅红外图像都是在同一时间段内拍摄，可排除环境条件差异对绝缘子温度的影响，由表 4可知，原始图像中绝缘子实际温度都在22℃左右，但其中“f.jpg”的温度只有21.1368℃，明显低于其余正常绝缘子温度，可判断其为零值绝缘子，从图 13(e)也可看出，“f.jpg”中绝缘子呈现暗色调，亮度低于其余绝缘子。
![]()
图 13 P-10型绝缘子红外图像分割提取结果Figure 13. P-10 insulator infrared image segmentation extraction results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 imageSequence 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 6.2 PS-15型绝缘子红外热像检测
为了验证本文方法对不同型号绝缘子的适用性，以4幅PS-15型绝缘子为例，依次命名为i.jpg~l.jpg，通过更换模板图像，实现绝缘子的定位识别和温度提取，结果如图 14与表 5所示，可见绝缘子温度在22℃~23℃范围内，“j.jpg”的温度明显偏高，比其余绝缘子的平均温度高出0.9056℃，因此“j.jpg”疑似为低值绝缘子，需要运检人员现场验证，如有问题及时更换。上述结果验证了本文方法的有效性与批量自动化检测劣化绝缘子的可行性。进一步地，随机选取某地区拍摄的200幅10 kV配电线路绝缘子的红外图像，利用本文方法开展劣化绝缘子检测。结果表明，正确识别绝缘子的图像有182幅，识别正确率为91%；检测为劣化绝缘子的图像13幅，包括2幅零值绝缘子图像与11幅低值绝缘子图像，研究结果有助于实现配电线路劣化绝缘子在线检测，提高配电线路运维效率。
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 imageSequence 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 7. 结论
本文方法在定位识别绝缘子方面准确率较为理想，采用本文提出的多尺度模板匹配算法，可实现配电线路红外图像绝缘子的准确识别，并实现劣化绝缘子的检测，最终检测结果可为运检人员提供疑似劣化绝缘子的明确位置，减少检测劣化绝缘子的工作量，安全高效，实用性强，可以实现批量自动化检测劣化绝缘子，对配电线路检测劣化绝缘子研究提供了参考，具有较好的工程应用前景。
-
![]()
图 13 P-10型绝缘子红外图像分割提取结果
Figure 13. P-10 insulator infrared image segmentation extraction results
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 
下载: 导出CSV
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℃
下载: 导出CSV
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
下载: 导出CSV
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
下载: 导出CSV
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
下载: 导出CSV
-
[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(1)
1. 王皓萱，何彦霖，祝航威，董杭，王书凝. 超表面偏振器件研究进展与展望. 光电工程. 2024(08): 121-145 . 
百度学术
其他类型引用(4)
计量
- 文章访问数: 85
- HTML全文浏览量: 44
- PDF下载量: 24
- 被引次数: 5
