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
夜间高分辨率图像被广泛应用于安防安保监控系统、航天航空军事制导、对地检测卫星遥感以及汽车自动驾驶等领域。然而,有雾的夜间图像经增强处理后呈现出对比度低,细节模糊等特征,不易辨识。目前最广泛使用的基于暗通道先验理论(dark channel prior, DCP)的去雾算法[1]对白天降质图像进行去雾时具有较好的效果,但对夜间降质图像进行去雾后,图像在人工光源区域存在严重的颜色失真[2],暗区域的亮度不够[3]。
目前,基于DCP算法的夜间图像去雾算法的研究已经取得了较大的进展:陈志恒提出了一种自适应全局亮度补偿算法[4],自适应调节夜间有雾图像的全局亮度,提高了夜间降质图像待去雾区域的可视度,但对微弱光源的夜间图像去雾效果有待改进;皮燕燕将夜间有雾图片分为结构层和纹理层,利用DCP算法得到结构层的无雾反射光图像,对纹理层进行增强后得到夜间去雾图像[5],但对图像天空部分的去雾存在失真;王柳哲针对夜晚环境的光照不均匀会影响暗通道的大气光估计,采用中值滤波与加权正则化模型对环境光进行优化的方法来估计大气光值[6],改进了去雾图像的色偏现象,但是不能很好地去除光晕。
针对现有算法存在的图像颜色失真、微弱光源图像去雾效果差、光晕不能很好去除等问题,本文提出了采用暗态点光源模型的夜间有雾图像去雾算法,针对传统图像透射率分布估计不准导致颜色失真的问题,通过暗通道可信度权值因子对粗透射率分布进行修正,再利用边窗导向滤波对粗透射率分布进行细化。实验结果表明,本文算法去雾效果好、在微弱光源处还原性好,有效减少了还原图像的光晕与颜色失真。
1. 基于暗通道先验理论的去雾算法
He通过统计发现,晴朗天气图像的暗通道图像中至少86%以上的灰度值集中分布在[0, 16]的灰度空间范围之内,且在无天空区域图像的R、G、B通道中,至少存在一个通道的灰度值是趋近于0的[1]。He将这一结果定义为暗通道先验,用式(1)进行表示:
$$ {J_{{\text{dark}}}}(x, y) = \mathop {\min }\limits_{c \in \{ R, G, B\} } \left( {\mathop {\min }\limits_{y \in \mathit{\Omega } (x, y)} \left( {{J_{\text{c}}}(x, y)} \right)} \right) $$ (1) 式中:Jdark(x, y)表示无雾图像的暗通道图像;Jc(x, y)表示无雾图像的RGB通道中的某一通道;Ω(x, y)表示滤波的窗口大小。
通过计算大气光值A和透射率分布t″(x, y)解得无雾图像J(x, y)的表达式如式(2)所示:
$$ J(x, y) = \frac{{I(x, y) - A}}{{t''(x, y)}} + A $$ (2) 然而,当透射率分布t″(x, y)趋近于零时,会导致还原后的去雾图像J(x, y)包含大量的噪声,表现出复原的图像整体偏白。为避免该类情况的发生,在实际处理中,给透射率分布设置一个下限t0,复原后的降质图像可以表示为式(3):
$$ J(x, y) = \frac{{I(x, y) - A}}{{\max \left[ {t''(x, y), {t_0}} \right]}} + A $$ (3) 式中:t0一般取作0.1,相当于去雾图像仍然保留了少量的雾层。
DCP算法对白天图像进行处理时具有较好的去雾效果,去雾结果颜色真实自然。但对夜间图像进行去雾时,处理后的图像在人工光源区域产生严重的颜色失真,暗区域的亮度不够导致细节信息缺失,光源区域的纹理受损严重。
2. 基于暗态点光源模型的夜间有雾图像去雾算法
针对夜间有雾图像的纹理细节保持、色彩保持等问题,本文在DCP算法的基础上,提出了一种采用暗态点光源模型的夜间有雾图像去雾算法。算法实现过程如图 1所示,主要由夜间环境光分布估计、透射率分布估计以及颜色校正3个模块组成,具体过程如下:
2.1 夜间环境光分布估计
利用最小值滤波算法、自适应伽马变换算法建立暗态点光源模型,并利用最大值滤波算法获取夜间降质图像的亮度分布。使用暗态点光源模型、亮度分布以及联合双边滤波算法估计夜间降质图像的环境光分布[7]。
2.2 透射率分布估计
通过颜色空间转换、HSV通道分离,对降质图像的亮度通道和饱和度通道分别进行最大值滤波、最小值滤波处理,利用联合双边滤波对其进行细化处理,得到暗通道可信度权值因子。然后,建立扇形模型,利用高斯均值函数、边界约束、均值不等关系,获取“伪”去雾图像,再结合夜间环境光分布,将获取的暗通道可信度权值因子和伪去雾图像作为修正参数,改进透射率分布的求取公式,获取夜间降质图像的透射率分布。最后利用边窗导向滤波细化纹理,得到精细化透射率分布,再对降质图像进行还原后获取去雾图像。
2.3 颜色校正
根据输入图像G通道的最大灰度值,计算输入图像的景深图像,将其与输入图像B通道、R通道的最大灰度值做减法,求取景深差分图像DDF。再利用φ、θ两个校正参数分别对图像R通道和B通道进行色偏校正,再将处理后的3个通道进行融合,得到颜色校正的图像。
3. 改进透射率分布的获取
在计算夜晚降质图像的透射率分布时,容易引起透射率分布t′(x, y)的估计值偏小[8]。为提高透射率分布估算结果的准确度,减少去雾图像的颜色失真,本文通过暗通道可信度权值因子ω和“伪”去雾图像$\tilde J(x, y)$对图像粗透射率分布进行修正,同时利用边窗导向滤波对其进行细化,得到细透射率分布t″(x, y)。
3.1 暗通道可信度权值因子的获取
暗通道可信度权值因子获取流程如图 2所示,将夜间降质图像I(x, y)转换至HSV颜色空间,并进行通道分离得到饱和度通道S(x, y)、亮度通道V(x, y)图像,分别对其进行最大值滤波、最小值滤波,得到Smax(x, y)和Vmin(x, y)。
Smax(x, y)和Vmin(x, y)图像自身边缘信息损失严重,需用联合双边滤波对其进行纹理细化,得到细化结果Smin′(x, y)和Vmin′(x, y),处理过程如式(4)所示:
$$ \left\{ \begin{array}{l} {{S'}_{\max }}\left( {x, y} \right) = {\rm{CroBilFilter}}\left( {{S_{\max }}\left( {x, y} \right)} \right) \\ {{V'}_{\min }}\left( {x, y} \right) = {\rm{CroBilFilter}}\left( {{V_{\min }}\left( {x, y} \right)} \right) \end{array} \right. $$ (4) 此时以细化后Smax′(x, y)和Vmin′(x, y)为处理对象,对暗通道可信度权值因子ω进行求取,求取过程如式(5)、(6)所示。
$$ \left\{ \begin{array}{l} {\omega _1} = {\left( {1 + {k_1} \cdot \exp \left( {{{S'}_{\max }}\left( {x, y} \right)} \right)} \right)^{ - 1}} \\ {\omega _2} = {\left( {1 + {k_2} \cdot \exp \left( {\frac{{{{V'}_{\min }}\left( {x, y} \right)}}{{A(x, y)}} - 1} \right)} \right)^{ - 1}} \end{array} \right. $$ (5) $$ \omega=\omega_1 \cdot \omega_2 $$ (6) 式中:A(x, y)表示夜间环境光分布;ω1表示饱和度系数;ω2表示亮度系数;ω表示暗通道可信度权值因子。暗通道可信度权值因子ω会随着Smax′(x, y)的增加、Vmin′(x, y)的减少而出现大幅度下降;k1和k2表示sigmoid函数的缩放系数,当k1=8、k2=20时,具备较好的实验效果。
3.2 夜间伪去雾图像的获取
通过构建一个扇形模型,对夜间无雾图像的暗通道图像作初始估计;设定一种自适应高斯均值衰减函数用来估计扇形阴影区域的最小值和最大值;通过几何均值不等关系进行逼近拟合,得到最佳的夜间无雾图像暗通道图,将其称作夜间伪去雾图像,记作$ {\tilde J_{{\rm{night}}}}(x, y) $。
本文通过边缘最值约定对min(Jc(x, y))的范围进行约束,构建如图 3所示的扇形模型,由图可知:min(Jc(x, y))的最优解存在于min(Icmin(x, y))与min(Icmax(x, y))之间的阴影区域中。
采用不等式逼近对阴影区域内的最优解min(Jc(x, y))进行求取。采用较为剧烈的衰减ρ2处理上边界min(Icmax(x, y)),对下边界min(Icmax(x, y))采用较为平和的衰减ρ1对其进行估值,以防止逼近过程中产生溢出现象。得到扇形区域两侧边界的估计值如式(7)所示:
$$ \left\{ \begin{array}{l} \min \left( {{I_{{\text{cmin}}}}(x, y)} \right) = {\rho _1}\min \left( {{I_{{\text{cmin}}}}(x, y)} \right) \\ \min \left( {{I_{{\text{cmax}}}}(x, y)} \right) = {\rho _2}\min \left( {{I_{{\text{cmax}}}}(x, y)} \right) \end{array} \right. $$ (7) 在得到阴影区域两侧边界的估计值min(Icmin(x, y))和min(Icmax(x, y))后,根据式(8)通过不等式形式进行逼近,从而得到最佳min(Jc(x, y)),本文称作夜间伪去雾图像,并记作${\tilde J_{{\rm{night}}}}(x, y)$,如式(8)所示:
$$ \begin{array}{l} {{\tilde J}_{{\rm{night}}}}(x, y) = \min \left( {{J_{\text{c}}}(x, y)} \right) \\ \;\; \;\;\; \;\; \;\; \;\; \;\; \;\;= \sqrt {\min \left( {{J_{{\text{cmin}}}}(x, y)} \right) \cdot \min \left( {{J_{{\text{cmax}}}}(x, y)} \right)} \end{array} $$ (8) 3.3 改进透射率分布的获取
结合夜间环境光分布A(x, y),将暗通道可信度权值因子ω和夜间伪去雾图像${\tilde J_{{\rm{night}}}}(x, y)$作为修正参数,对透射率分布求取公式进行改进,得到式(9):
$$ t'(x, y) = \frac{{1 - \psi \cdot \left( {\frac{{I\left( {x, y} \right)}}{{A(x, y)}}} \right)}}{{1 - \omega \cdot \left( {\frac{{{{\tilde J}_{{\rm{night}}}}(x, y)}}{{A(x, y)}}} \right)}} $$ (9) 式中:t′(x, y)为粗透射率分布;ω为暗通道可信度权值因子;ψ为雾层保留参数,用作去雾图像中少量雾气的保留,以保证图像的视觉真实性,对于夜间雾图的处理中,一般取作0.65。
3.4 透射率分布的精细化处理
为减小去雾后出现的光晕现象,本文根据文献[9]提出的边窗导向滤波技术对粗透射率分布进行纹理细化处理,以提升图像边缘信息的保持能力。通过对边窗的滤波核函数F进行加权操作,并将其应用在{L, R, U, D, NW, NE, SW, SE}8个窗口类型上,从输出的8个结果中,找出与输入最接近的边窗类型,将其滤波结果作为最终的边窗滤波结果,得到精细化透射率分布t″(x, y)。
4. 算法实验结果与分析
在得到夜间环境光分布A(x, y)以及细透射率分布t″(x, y)以后,对式(3)进行改进得到式(10):
$$ J(x, y) = \frac{{I(x, y) - A(x, y)}}{{\max \left[ {t''(x, y), {t_0}} \right]}} + A(x, y) $$ (10) 为验证本文算法的去雾效果,本文将从主观和客观两个评价角度进行实验对比。
4.1 主观对比
本文以重度雾霾下的城市夜景实拍等夜间降质图像建立降质图库,随机选取了4幅具有低照度夜间特征代表性的降质图像,基于低照度夜间增强算法对其处理之后,分别采用基于暗通道先验理论去雾算法与本文算法对其进行去雾处理,得到结果如图 4所示。
可以看到,采用基于暗通道先验理论的去雾图像在人工光源区域有严重的光晕效应,而本文的去雾算法的去雾结果中图像中的雾气得到有效去除,去雾后的图像颜色自然,符合人眼视觉观感。
4.2 客观对比
使用图像信息熵、平均梯度和对比度对经过文献[1]、[6]、[10]中算法与本文算法的处理结果进行客观评价。统计其客观评价结果如表 1~表 3所示,其中,表 1为图像信息熵的统计结果,表 2为图像平均梯度的统计结果,表 3为图像对比度的统计结果。表中,算法1为传统DCP算法[1],算法2为基于多光源模型与暗通道先验的去雾算法[6],算法3为基于暗通道补偿与大气光值改进的去雾算法[10]。
表 1 图像信息熵统计结果Table 1. Image information entropy表 2 图像平均梯度统计结果Table 2. Image average gradient表 3 图像对比度统计结果Table 3. Image contrast可以看出,经过本文算法处理过后的图像的质量普遍有较为明显的改善,主要表现在图像的信息熵值、平均梯度以及对比度均高于对比算法,说明处理后的夜间有雾图像所包含的信息量更为丰富,在纹理细节上损失较小、图像清晰度高,同时夜间降质图像的明暗对比度得到较好地拉伸。
5. 结论
为解决基于暗通道先验理论的去雾算法在处理夜间有雾图像时细节信息缺失、光源区域的纹理受损严重的问题,本文提出采用暗态点光源模型的夜间有雾图像去雾算法。同时通过暗通道可信度权值因子和“伪”去雾图像对图像粗透射率分布进行修正,再利用边窗导向滤波对其进行细化,提高了透射率分布估算结果的准确度。实验结果表明,本文算法处理后的图像在微弱光源处还原性好,有效减少了还原图像的光晕与颜色失真且在去雾前经过视见度增强处理,降质图像的亮度得到一定程度的保留,可视性较好。
-
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(5)
1. 王怡雯,郑伟,邢成龙. 方向显著性特征分布的加权散度红外弱小目标增强检测. 空间科学学报. 2025(01): 215-225 . 百度学术
2. 杜妮妮,单凯东,王建超. HRformer:基于多级回归Transformer网络的红外小目标检测. 红外技术. 2024(02): 199-207 . 本站查看
3. 杜妮妮,单凯东,卫莎莎. LPformer:基于拉普拉斯金字塔多级Transformer的红外小目标检测. 红外技术. 2023(06): 630-638 . 本站查看
4. 蔺素珍,张海松,禄晓飞,李大威,李毅. RBNSM:一种复杂背景下红外弱小目标检测新方法. 红外技术. 2022(07): 667-675 . 本站查看
5. 李常宝. 基于滑窗的自适应红外小目标检测方法. 光学技术. 2022(04): 506-512 . 百度学术
其他类型引用(6)