Method of Detecting Substation Equipment in Infrared Images Based on Improved Gaussian Convolution Kernel
-
摘要: 在无锚点算法CenterNet模型的基础上，针对基于红外图像的目标检测算法检测精度低、耗时长的问题，给出了一种基于改进高斯卷积核的变电站设备红外图像检测方法，该目标检测方法模型网络结构精简，模型计算量较小。通过现场变电站巡检机器人设备收集数据样本，进行算法模型的训练及验证，实现红外图像变电站设备精准识别及定位。本文以变电站巡检机器人搭配红外热成像仪采集到的红外图像库为基础，用深度学习方法对数据集进行训练和测试，研究变电站红外图像的目标检测技术。通过深度学习技术判断设备中心点位实现目标分类和回归。实验结果表明，该方法提高了变电站目标检测方法的识别定位精度，为变电站设备红外图像智能检测提供了新的思路。Abstract: Slow and inaccurate target detection algorithms used to analyze infrared images are the focus of this study. An infrared image detection method is proposed for substation equipment using an improved Gaussian convolution kernel, which is based on the CenterNet algorithm without an anchor point. In brief, data samples were first collected using on-site substation inspection robot equipment, the algorithm model was trained and verified, and finally, accurate identification and positioning of infrared image substation equipment was achieved. Specifically, based on the infrared image library collected by the substation inspection robot and the infrared thermal imager, methods of deep learning were applied to train and test a model using the dataset, the target detection technology of substation infrared images was studied, and the equipment center was accurately judged through deep learning technology to achieve target classification and regression. The identification and positioning accuracy of the substation target detection were improved by adopting this proposed method, and it provides new ideas for the intelligent detection of infrared images for substation equipment.
-
0. 引言
根据红外制导的原理，舰船红外隐身技术的实质就是降低船体表面的红外辐射强度或者改变舰船表面的发射率，以削减其被敌人红外探测设备侦查到的部分或减小与海天背景间的辐射对比度，无法被敌人侦测识别定位，达到隐身目的。红外辐射的波长大致范围为0.76~1000 μm[1]，侦测系统接收到的舰船红外辐射强度经过大气传输的衰减作用后存在两个易被侦查的波段：3~5 μm和8~14 μm。研究发现，3~5 μm波段的红外辐射主要是由舰船的高温局部引起的，如舰船的排烟尾流、烟囱等[2]；8~14 μm波段的红外辐射主要来自于舰船外表面在太阳辐射作用下与海天背景产生的热物性差异[3]。
对于8~14 μm波段的红外辐射，其红外隐身的主要技术手段为水幕喷淋隐身、水雾遮蔽隐身以及红外隐身涂层等[4]。水幕喷淋技术是利用喷淋在目标表面形成的水膜来降温，从而达到降低红外特征的一种技术；而水雾遮蔽技术则是通过在目标与探测器间施放水雾遮蔽层来衰减红外信号的一种技术[5]。近年来，水幕水雾隐身系统依靠其独特的经济性与高效性，逐渐在各国军舰上应用，如美国的DDG-51和DDG-67驱逐舰、英国的“海魂”护卫舰和俄罗斯的现代级驱逐舰等都已装备了水雾红外隐身系统，几秒钟内便可在舰船周围形成全笼罩的水雾层，取得很好的隐身效果[6-7]。国内外学者对水幕水雾隐身技术也展开了深入研究。2013年，杜永成等[8]建立8~14 μm的红外辐射在细水雾中的传输模型，计算并分析了如体积分数、几何均值粒径等几种辐射透射率的影响因素。2014年，Yong-Cheng Du等[9]用蒙特卡洛方法研究了水雾对激光制导的双向衰减过程，建立了一种新的确定散射光子方向的方法，发现常用范围的水雾半径适合衰减10.6 μm的激光。2017年，赵世明[6]等推导出更通用的辐射衰减计算公式，计算水雾层的光谱散射系数、衰减系数、吸收系数，分析了水雾参数对光谱消光性能的影响，经优化后得出具有最佳光谱消光性能的水雾参数。2019年，刘晓敏[10]对舰船水雾水膜隐身技术进行了研究，对水雾隐身和水膜隐身分别建立了根据雾滴最佳消光粒径来定其尺寸谱分布函数和降低液膜表面温度来降低辐射出射度的技术模型，并研究了几种粒子参数对红外仿真结果的影响，确定了最佳水雾参数。万新斌和于姝雯[11]对舰船水幕系统设计方法展开了研究，介绍了水幕系统耗水量计算、喷水量设计、分区设计、管路设计、系统阻力计算建模和优化设计等方法。2020年，Hiroki Gonome等[12]以屏蔽火灾热辐射为背景，对薄雾层进行了辐射传输分析，确定了有效屏蔽热辐射的最佳水滴尺寸。同年，李慧子等[13]试验分析了压力参数对复合喷头和水膜喷头的红外降温特性的影响，结果表明，气助式复合喷头能够有效降低目标的红外可探测性，缩短目标的红外降温时长。2021年，Hiroki Gonome等[14]在原先的基础上又研究了烟灰烟雾对水雾热辐射屏蔽性能的影响，发现一次或二次烟灰颗粒的直径影响了水滴的光谱反射率，当水粘着烟灰时，辐射屏蔽性能将会减弱。王振等[5]设计了旋流式复合喷头，通过对比试验，分析了不同压力下旋流式复合喷头与传统水膜喷头的红外降温特性，结果表明，旋流式复合喷头能够有效控制目标的红外降温时长，提高降温效果。此外，付健等[15]设计了一种在舰船表面不同分区施加水幕来对抗红外成像反舰导弹的策略，采用建模仿真的方式开展了水幕对红外成像导引头干扰效果的研究。
上述水幕水雾的研究主要集中于理论分析，从建模仿真和数值计算角度研究了水幕水雾隐身技术，而针对该技术的试验研究甚少。已有的试验对气助式复合喷头和旋流式复合喷头的水幕水雾复合喷淋红外降温速率展开研究，尚未对壁式喷头红外降温特性进行试验，也未对目标钢板与喷头不同距离下冷却特性开展研究。
为了提高舰船的红外隐身能力，降低其被红外设备侦测到的概率，本文搭建了壁式喷头试验台，开展了壁式喷头喷射特性、雾化效果和红外降温特性试验，探究壁式喷头在舰船上的使用方法。
1. 壁式喷头试验平台搭建
1.1 壁式喷头特征
试验用壁式喷头由3个喷孔组成，喷射时形成扇形区域，覆盖范围为190°，其中位于中间的单喷孔在平面内角度为68°，两侧喷孔为65°，中间喷孔与侧面喷孔在工作时存在4°的重叠区域，重叠区域内水雾量较大。壁式喷头实物图如图 1所示。通过试验测试获得喷头的压力-流量特性曲线，如图 2所示。
![]()
图 2 壁式喷头的压力-流量特性曲线Figure 2. Pressure-flow characteristics curve of wall attached nozzle1.2 试验平台
为了测试壁式喷头的喷射特性，搭建了壁式喷头试验系统，该系统由水箱、变频增压泵、前置过滤器、球阀、流量计、温度传感器、壁式喷头、目标钢板、红外热像仪和计算机等组成，系统原理图如图 3所示。
![]()
图 3 壁式喷头试验台原理图Figure 3. Schematic diagram of the test bench of the wall attached nozzle图 2中试验对象为一块750 mm×750 mm×12 mm的钢板，使用红外热像仪实时监控钢板表面温度，以得到钢板表面温度二维图像。试验所用温度传感器为PT100热电阻，测温范围为0℃~100℃，A级精度。红外热像仪VarioCAM hr的光谱范围为7.5~14 μm，分辨率为320×240，测温范围－40~600℃，测温精度±1.5℃。试验过程中喷头保持水平安装。
2. 喷射特性试验
为了探究喷嘴高度对喷射半径和覆盖范围的影响和喷嘴喷射时不同距离下的地面流量情况，本文选取喷嘴高度H为0.4 m，0.6 m，0.8 m作为试验点，通过调节喷嘴夹具的升降来调整喷嘴高度，并用卷尺测量壁式喷头工作时的喷射半径和覆盖范围如表 1所示。
表 1 不同高度下喷嘴喷射范围Table 1. Nozzle spray range at different heightsNo. H/m Minimum injection radius/m Maximum injection radius/m Coverage area/m 1 0.4 1.3 3.4 2.1 2 0.6 2.1 4.8 2.7 3 0.8 2.2 5 2.8 Note: H is the vertical distance between the middle spray hole and the ground. 同时，在中间喷孔正前方，与喷头在地面投影点距离分别为0.5 m，1 m，1.5 m，2 m，2.5 m，3 m，3.5 m，4 m，4.5 m，5 m布置了流量监测点，喷嘴工作180 s后，测得的固定时间水量如图 4所示。喷嘴喷射范围示意图如图 5所示。
由图 4和图 5并结合表 1可知，喷嘴喷射存在中空区域，在中空区域内存在总体积较小的水雾，这部分水雾在喷射过程中受重力和风场的影响在中空区域内飘浮至地面。在覆盖范围的中心区域偏后，流量最大，随着喷嘴高度的提高，覆盖范围略有增大，导致覆盖范围内的流量最大值有所减小。
3. 喷嘴雾化性能试验
雾滴粒径检测方法主要采用光学法直接测量或雾滴收集测量[16]，本文采用雾滴收集测量法，通过水敏试纸收集雾滴，使雾滴撞击水敏试纸形成斑痕，再通过计算机图像处理算法得到雾滴粒径。
利用雾滴收集测量法检测喷嘴雾化性能时，常以雾滴覆盖率和雾滴覆盖密度来衡量采样点的雾滴雾化情况，雾滴覆盖率用雾滴覆盖区域面积占统计总面积的百分比表示，如公式(1)所示：
$$ C{\text{ = }}\frac{{{A_{\text{s}}}}}{{{A_{\text{p}}}}} \times 100{\text{% }} $$ (1) 式中：C为喷雾覆盖率，%；As为雾滴区域像素数；Ap为水敏试纸统计区域总像素数。
雾滴覆盖密度指水敏试纸单位面积上承接的雾滴个数，如公式(2)所示：
$$ K=N / M $$ (2) 式中：K为雾滴覆盖密度，个/cm2；N为雾滴的总数；M为试纸的总面积，cm2。
在喷嘴高度H为0.8 m情况下，壁式喷头的中间喷孔正前方向，与喷头在地面投影点距离L为1 m，2 m，3 m，4 m布置水敏试纸，多次用水敏试纸采样，最后从中挑选4张试纸作为样本进行分析，水敏试纸图像样本灰度化处理后如图 6所示，经计算机图像处理后得到的壁式喷头雾化颗粒直径分布如图 7所示。
![]()
图 7 壁式喷头雾化颗粒直径分布Figure 7. Atomized particle diameter distribution of wall attached nozzle由图 6和图 7可知，采样距离为1 m时，即处于中空区内，雾滴覆盖密度为129.04个/cm2，统计得到的有效颗粒总数量为2044个，其中直径小于200 μm的颗粒占比69.6%，并且结合图 4可知，该区域内液滴总体积较小，因此，基于上述数据说明该区域雾化效果好。在中空区与覆盖区交界处，液滴颗粒直径与中空区内相比，整体呈现增大趋势，颗粒数量减少，雾滴覆盖密度为61.17个/cm2。从中空区进入覆盖区后，雾滴覆盖率显著增大，与中空区相比增加了2.14%；在覆盖区的中心，即流量最大值附近，雾滴覆盖率最大为8.427%，单个液滴直径最大值超过2000 μm，没有形成良好的雾化效果。
由上述可知，壁式喷头在喷射中空区内有一定雾化效果，其雾化效果不如文献中提及的气助式复合喷头和旋流式复合喷头。结论表明，壁式喷头的雾化效果一般，但其在喷射覆盖区域，雾化颗粒大，可以有效在目标表面形成水膜来降温，从而降低红外特征。
4. 水幕红外降温性能分析
4.1 不同喷射距离下钢板表面温度对比试验
为了探究喷射距离L（喷头在地面投影点与钢板前缘距离）对壁式喷头红外降温特性的影响，本文在喷嘴高度H为0.8 m时选取喷射距离L分别为1.25 m、1.75 m、2.25 m、2.75 m、3.25 m、3.75 m、4.25 m作为试验点，通过改变目标钢板位置，并用红外热像仪记录壁式喷头工作时目标钢板的温度图像。此时，壁式喷头喷水温度为32℃，工作压力为0.5 MPa，对应喷射总流量为1.42 L/s。
目标钢板采用水浴法加热，将目标钢板置于容器中后，给电加热棒通电，钢板升温过程如图 8所示。
由图 8可知，目标钢板加热时存在局部高温区域，产生高温区域的原因为该处底部为电加热棒，为减少该现象，在试验过程中，不停搅拌水池，同时在温度试验测试时会待钢板冷却数分钟，使其导热均匀。此外，钢板其他位置温度分布较为均匀。
目标钢板加热后取出置于待测位置，再次进行温度检测，如图 9所示。
由图 9可知，钢板表面最高温度为56.4℃，最低温度为54.76℃，平均温度55.63℃，钢板整体温度均匀性较好。
为了使目标钢板温度分布均匀和便于多次水幕降温效果试验结果对比，在钢板水浴加热后，取出置于环境中冷却，待温度稳定后（约49℃）进行试验。通过试验，得到不同位置的钢板表面温度如图 10所示。
![]()
图 10 不同距离下钢板表面温度对比Figure 10. Comparison of surface temperature of steel plate at different distances由图 10可知，工况1钢板处于中空区，钢板上的液滴较少，多为空中飘浮的微小液滴附着，钢板温度随时间变化不均，前后温差较小，产生上述现象的主要原因是，该钢板处于水幕覆盖范围外，钢板的冷却主要依赖空中漂浮的微小液滴，其冷却效果较差，当有风影响时，钢板附着液滴较多，液滴吸热蒸发带走热量，冷却速度加快，当没有风影响时，钢板附着液滴较少，自身热容的作用使得表面温度回升，降温速率约为2.03℃/min。
工况2，钢板有部分处于中空区，另一部分处于覆盖区，然而由其对应的热成像图可知，并不存在明显的分界线，其主要原因是由于钢板的导热系数较大，且该工况下有较为稳定的液滴附着，处于中空区的钢板上受到直径小于1000 μm的液滴附着，覆盖区内钢板受液膜冲刷，总体降温速率约为3.31℃/min，与中空区相比提高了62.7%。
工况3~7钢板完全处于覆盖区，液滴附着量较大，与工况1和工况2的情形相比，降温速率提升了2~3倍。此外，相对于钢板初始温度，当液滴附着到钢板上时，钢板表面温度会骤降，即钢板初始时刻的降温速率较大。
工况3，在160 s内，钢板温度由49.08℃降至39.01℃，前后温差10.07℃，降温速率为3.78℃/min，前20 s内，钢板温度降低了5.8℃，降温速率为17.4℃/min，约为全时间段降温速率的4.6倍。
工况4，钢板上的流量比工况3有所增加，在160 s内，钢板温度由49.2℃降至36.51℃，前后温差12.69℃，降温速率为4.76℃/min。
工况5~7，钢板处于覆盖区中心，降温速率分别为5.97℃/min，6.18℃/min和6.09℃/min，工况6处于流量最大值处，液膜冲刷效应最强，降温速率最大，钢板前后温差16.49℃，前20 s内，钢板温度降低了10.37℃，降温速率为31.11℃/min，与工况3相比，前20 s降温速率提升78.8%，160 s总时间内降温速率提升63.5%。因此为实现快速降温冷却，在壁式喷嘴安装过程中，目标钢板的位置应处于喷射覆盖区中间或中间偏后区域。
与中空区存在液滴不同的是，在超过喷射最大半径后，没有液滴存在，所以不考虑超过最大半径后的位置的降温效果。
从红外成像探测角度，一般红外伪装设计时将目标与背景温差控制在4℃以内，以将目标辐射信号淹没在背景中，使探测器无法很好地成像，从而达到隐蔽的目的[17]。因此，从目标钢板温度降低至与水温差不超过4℃时，即认为目标达到了红外降温要求，对应的时间为红外降温时长。图 9中36℃等温线与各曲线的交点即为红外降温时长。由图 9可见，在试验时间段内，工况5~7与等温线有交点，红外降温时长分别为84 s，72 s，80 s。
4.2 不同喷水流量下钢板表面温度对比试验
为了探究壁式喷头不同喷水流量下对目标钢板降温速率的影响，本节在喷嘴高度H为1 m时选取喷水总流量分别为0.64 L/s（0.1 MPa）、1.08 L/s（0.3 MPa）、1.42 L/s（0.5 MPa）作为试验工况点，喷水温度为29℃。用热电偶记录壁式喷头工作时目标钢板的温度数值。
通过试验得到不同喷射总流量下温度随时间的变化特性曲线如图 11所示。
![]()
图 11 不同喷射总流量下温度随时间的变化特性曲线Figure 11. Variation curves of temperature with time at different total spray flow rates由图 11可知，在60 s内，喷射总流量为0.64 L/s时，降温速率为10.37℃/min；喷射总流量为1.08 L/s时，降温速率为12.77℃/min；喷射总流量为1.42 L/s时，降温速率为13.51℃/min。随着喷射总流量的增加，钢板在60 s内的温度降低。随着喷射总流量的增加，喷头的降温速率提升30.28%。并且从红外成像探测的角度来说，红外目标与背景的温差需控制在4℃以内。在60 s内，喷头工作压力为0.5 MPa时，目标钢板和喷水温度的温差可降至4℃以内，而喷水温度为0.1 MPa和0.3 MPa时不满足此要求。
4.3 不同温度钢板的降温速率对照试验
本节对初始温度为60℃、50℃及40℃的钢板进行对照试验，进而探索钢板初始温度对降温速率的影响。此时，壁式喷头工作高度H为1 m，水温为29℃，工作压力为0.5 MPa，对应喷射总流量为1.42 L/s。
图 12所示为不同温度钢板下温度随时间变化特性曲线。
![]()
图 12 不同温度钢板下温度随时间变化特性曲线Figure 12. Variation curves of temperature with time at different temperatures of steel plate由图 12可见，60 s内，对60℃钢板的降温速率为24.37℃/min；对50℃钢板的降温速率为17.67℃/min；对40℃钢板的降温速率为11.17℃/min。此外，在喷淋前30 s内，钢板的初始温度越高，喷头对其的降温速率越快；喷淋30 s后，不同温度下钢板的降温速率趋于一致。结果表明，钢板的初始温度对喷淋前期的降温速率具有显著影响。
4.4 非重叠区与重叠区钢板表面温度对比试验
进一步，在覆盖区内，由于喷嘴是3条直线缝的结构形式，中间喷孔与侧面喷孔在工作时存在4°的重叠区域，重叠区域喷雾液滴量较大，因此为得出喷嘴喷射口重叠部分的降温速率，在距离L为3.75 m的工况下，即工况6，进行了喷射重叠区的同半径距离试验，试验得到的钢板表面温度冷却曲线如图 13所示。
![]()
图 13 非重叠区与重叠区钢板表面温度对比Figure 13. Comparison of surface temperature of steel plate in non-overlapping zone and overlapping zone由图 13可知，20 s内，在喷射非重叠区钢板前后温度为49.64℃和39.27℃，温差10.37℃，喷射重叠区钢板前后温度为49.53℃和37.87℃，温差11.66℃，20 s内，喷嘴喷射重叠区降温速率明显高于非重叠区；20~160 s，喷射重叠区和非重叠区钢板降温速率分别为2.39℃/min和2.62℃/min，造成非重叠区在此时间段内降温速率大于重叠区的主要原因是，在20 s时刻，重叠区的钢板温度比非重叠区低1.59℃，与冷却水小温差导致重叠区降温速率减缓。0~160 s，喷射非重叠区降温速率为6.18℃/min，喷射重叠区降温速率为6.54℃/min，提升了5.8%，喷射重叠区红外降温时长约为40 s，比非重叠区缩短了32 s。
上述结果表明，在喷射开始的前20 s时间内，重叠区的冷却效果优于非重叠区，重叠区对钢板的短时间快速冷却有较好的效果。重叠区可有效缩短红外降温时长。
4.5 水幕内外钢板温度对比试验
此外，为了获得水幕的存在对钢板表面温度测量的影响，采用热电偶和红外热像仪同时测量的方式，表 2给出了不同时刻下热电偶测得的温度与红外热像仪在水幕外测得的温度。
表 2 水幕内外钢板温度Table 2. Steel plate temperature inside and outside the water curtain℃ Time Thermocouple/℃ Infrared thermal imaging camera/℃ Difference value/℃ 10 s 45 40.45 4.55 20 s 43 38.28 4.72 30 s 42.7 36.58 6.12 40 s 41.3 34.91 6.39 50 s 40.9 33.26 7.64 60 s 40.4 31.91 8.49 由表 2可知，随着喷雾冷却过程的进行，不同时刻水幕内和水幕外的温度相差较大。壁式喷头能够有效降低舰船钢板的红外可探测性，实现水幕喷淋隐身，且随着水幕喷淋冷却的进行，水幕内外的钢板温差不断增加，最大可达8.49℃。水幕内外钢板温度对比结果表明，水幕对温度低于43℃的钢板遮掩效果较好。
5. 结论
本文搭建了壁式喷头试验台，测试了壁式喷头的喷射特性、雾化特性及不同喷射距离下的红外降温特性，通过试验研究，得出如下结论：
1）壁式喷头喷射时存在中空区与覆盖区，中空区内液滴雾化效果较好，直径小于200 μm的颗粒占比69.6%，覆盖区液滴雾化效果较差，单个液滴直径超过2000 μm。
2）由不同喷射距离下的壁式喷头红外降温试验可知，喷射距离对红外降温速率影响较大，当钢板处于中空区时，钢板的冷却主要依赖受重力和风场影响落下的细水雾，降温速率为2.03℃/min，随着距离的增大，钢板处于中空区与覆盖区交界时，降温速率为3.31℃/min，比在中空区提高了62.7%，钢板完全处于覆盖区时，喷射存在非重叠区和重叠区，非重叠区降温速率最大为6.18℃/min，其同半径距离下的重叠区降温速率为6.54℃/min，此时重叠区红外降温时长约为40 s，比非重叠区缩短了32 s，为实现快速降温冷却，目标钢板的位置应处于喷射覆盖区中间或中间偏后区域。
3）随着喷射总流量从0.64 L/s增加到1.42 L/s，喷头的降温速率提升30.28%，喷射总流量的增加对钢板的降温表现出明显的增益性。
4）对不同温度钢板进行降温，结果表明，在喷淋前期，钢板的初始温度越高，壁式喷头对其的降温速率越快；钢板被降至一定温度后，降温速率趋于一致。
5）壁式喷头在喷射的瞬间能极大降低红外热像仪测得的目标钢板表面温度，20 s可将测得温度降低10℃以上。壁式喷头能够有效降低舰船钢板的红外可探测性，实现水幕喷淋隐身。
-
![]()
图 5 预测框与GT box三种不同位置关系图
Figure 5. Three different position relation diagrams of prediction box and GT box
![]()
图 6 高斯卷积核改进前后的Boundingbox和Heatmap示意图
Figure 6. Bounding box and Heat map before and after the improvement of Gaussian convolution kernel
表 1 红外图像数据集
Table 1 Infrared image data set
Classname Label name Picture numbers Arrester Arrester 123 Breaker Breaker 166 Current transformer Current transformer 137 Disconnector Disconnector 73 Electricreactor Electricreactor 150 Voltage transformer Voltage transformer 303 Aerial conductor Aerial conductor 86 Condenser Condenser 236 Main transformer Main transformer 224 Tubular busbar Tubular busbar 72 
下载: 导出CSV
表 2 计算机硬件配置
Table 2 Computer hardware configuration
Name Type CPU Intel Core I7 9700K GPU Nvidia RTX 2080 Ti hard disk 4T SAS 7.2K*1 memory 512 G
下载: 导出CSV
表 3 红外图像数据集测试结果
Table 3 Test results of infrared image data set
bn Model mAP Epoch hm_loss wh_loss off_loss Loss DLA-34 before 0.685 200 1.2178887 3.385998 0.229195 1.646682 after 0.705 200 1.1233817 2.775918 0.212195 1.415212 Res-101 before 0.661 200 0.396270 3.179799 0.244151 1.138400 after 0.723 200 0.521400 1.897403 0.232067 1.043208 Res-18 before 0.463 200 0.451421 2.713203 0.262212 0.994953 after 0.582 200 0.813421 2.113203 0.256721 0.87198
下载: 导出CSV
表 4 针对变电站真实条件下的性能试验记录表
Table 4 Performance test record for substation
Type Picture numbers Target numbers Correct detection
numberAverage accuracy Miss raio Fallout ratio Total time Aerialconductor 12 16 12 0.750 0.250 0 1.080 Arrester 38 62 54 0.871 0.129 0 3.040 Breaker 45 125 114 0.912 0.024 0.064 4.562 Condenser 83 83 71 0.855 0.133 0.012 8.088 Currenttransformer 33 91 83 0.912 0.030 0.058 2.699 Disconnector 16 16 13 0.813 0.187 0 1.746 Electricreactor 34 65 56 0.862 0.138 0 2.919 Maintransformer 42 42 36 0.857 0.143 0 3.606 Tubular busbar 8 15 12 0.800 0.200 0 0.874 Voltagetransformer 76 146 133 0.911 0.048 0.041 6.519
下载: 导出CSV
-
[1] Junwei Hsieh, Yungtai Hsu, Hongyuan Mark Liao, et al. Video-based human movement analysis and its application to surveillance systems[J]. IEEE Transactions on Multimedia, 2008, 10(3): 372-384. DOI: 10.1109/TMM.2008.917403
[2] 黄文清, 汪亚明, 周志宇. 计算机视觉技术在工业领域中的应用[J]. 浙江理工大学学报: 自然科学版, 2002, 19(2): 28-32. https://www.cnki.com.cn/Article/CJFDTOTAL-ZJSG200202005.htm HUANG Wenqing, WANG Yaming, ZHOU Zhiyu. Application of computer vision technology in the field of industry[J]. Journal of Zhejiang Institute of Science and Technology, 2002, 19(2): 28-32. https://www.cnki.com.cn/Article/CJFDTOTAL-ZJSG200202005.htm
[3] Leonid Sigal, Michael J Black. Guest editorial: state of the art in image- and video-based human pose and motion estimation[J]. International Journal of Computer Vision, 2010, 87(1): 1-3. http://dl.acm.org/citation.cfm?id=1713483
[4] Yuki Kitahara, Seiji Takahashi, Noriyuki Kuramoto. Ion attachment mass spectrometry combined with infrared image furnace for thermal analysis: evolved gas analysis studies[J]. Analytical Chemistry, 2009, 81(8): 3155-3158. DOI: 10.1021/ac802746d
[5] 王勇, 梅生伟, 何光宇. 变电站一次设备数字化特征和实现[J]. 电力系统自动化, 2010, 34(13): 94-99. https://www.cnki.com.cn/Article/CJFDTOTAL-DLXT201013019.htm WANG Yong, MEI Shengwei, HE Guangyu. The characteristics and realization of digitization of primary equipment in substations[J]. Automation of Electric Power Systems, 2010, 34(13): 94-99. https://www.cnki.com.cn/Article/CJFDTOTAL-DLXT201013019.htm
[6] Felzenszwalb P F, Girshick R B, Mcallester D, et al. Object detection with discriminatively trained part-based models[J]. IEEE Transactions on Software Engineering, 2010, 32(9): 1627-1645. http://ieeexplore.ieee.org/document/5255236
[7] 方路平, 何杭江, 周国民. 目标检测算法研究综述[J]. 计算机工程与应用, 2018, 54(13): 11-18. DOI: 10.3778/j.issn.1002-8331.1804-0167 FANG Luping, HE Hangjiang, ZHOU Guomin. Research overview of object detection methods[J]. Computer Engineering and Applications, 2018, 54(13): 11-18. DOI: 10.3778/j.issn.1002-8331.1804-0167
[8] 阮激扬. 基于YOLO的目标检测算法设计与实现[D]. 北京: 北京邮电大学, 2019. RUAN Jiyang. Design and Implementation of Target Detection Algorithm Based on YOLO[D]. Beijing: Beijing University of Posts and Telecommunications, 2019.
[9] 李鹏飞, 刘瑶, 李珣, 等. YOLO9000模型的车辆多目标视频检测系统研究[J]. 计算机测量与控制, 2019, 27(8): 21-24. https://www.cnki.com.cn/Article/CJFDTOTAL-JZCK201908006.htm LI Pengfei, LIU Yao, LI Xun, et al. A detection method of multi-target for vehicles based on YOLO9000 model[J]. Computer Measurement & Control, 2019, 27(8): 21-24. https://www.cnki.com.cn/Article/CJFDTOTAL-JZCK201908006.htm
[10] 季航, 贾镕, 刘晓, 等. 一种基于YOLOv3的红外目标检测系统[J]. 电子设计工程, 2019, 27(22): 61-64. https://www.cnki.com.cn/Article/CJFDTOTAL-GWDZ201922013.htm JI Hang, JIA Rong, LIU Xiao, et al. An infrared target detection system based on YOLOv3[J]. Electronic Design Engineering, 2019, 27(22): 61-64. https://www.cnki.com.cn/Article/CJFDTOTAL-GWDZ201922013.htm
[11] 栾浩, 王力, 姜敏, 等. 基于改进SSD的目标检测方法[J]. 软件, 2020, 41(1): 29-35. https://www.cnki.com.cn/Article/CJFDTOTAL-RJZZ202001008.htm LUAN Hao, WANG Li, JIANG Min, et al. Object detection method based on improved SSD[J]. Computer Engineering & Software, 2020, 41(1): 29-35. https://www.cnki.com.cn/Article/CJFDTOTAL-RJZZ202001008.htm
[12] 谢奇芳, 姚国清, 张猛. 基于Faster R-CNN的高分辨率图像目标检测技术[J]. 国土资源遥感, 2019, 31(2): 38-43. https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG201902006.htm XIE Qifang, YAO Guoqing, ZHANG Meng. Research on high resolution image object detection technology based on Faster R-CNN[J]. Remote Sensing for Land & Resources, 2019, 31(2): 38-43. https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG201902006.htm
[13] DUAN K, BAI S, XIE L, et al. CenterNet: keypoint triplets for object detection[C]//IEEE International Conference on Computer Vision, 2019: 6569-6578.
[14] 杨海燕, 蒋新华, 聂作先. 基于并行卷积神经网络的人脸关键点定位方法研究[J]. 计算机应用研究, 2015, 32(8): 283-285. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ201508068.htm YANG Haiyan, JIANG Xinhua, NIE Zuoxian. Facial key points location based on parallel convolutional neural network[J]. Application Research of Computers, 2015, 32(8): 283-285. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ201508068.htm
[15] 刘云鹏, 裴少通, 武建华, 等. 基于深度学习的输变电设备异常发热点红外图片目标检测方法[J]. 南方电网技术, 2019, 13(2): 27-33. https://www.cnki.com.cn/Article/CJFDTOTAL-NFDW201902006.htm LIU Yunpeng, PEI Shaotong, WU Jianhua, et al. Deep learning based target detection method for abnormal hot spots infrared images of transmission and transformation equipment[J]. Southern Power System Technology, 2019, 13(2): 27-33. https://www.cnki.com.cn/Article/CJFDTOTAL-NFDW201902006.htm
[16] 林海波, 王浩, 张毅. 改进高斯核函数的人体姿态分析与识别[J]. 智能系统学报, 2015, 10(3): 436-441. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNXT201503021.htm LIN Haibo, WANG Hao, ZHANG Yi. Human postures recognition based on the improved Gauss kernel function[J]. CAAL Transactions on Intelligent Systems, 2015, 10(3): 436-441. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNXT201503021.htm
[17] WU Jiajun, XUE Tianfan, Joseph J. Lim. Single image 3D interpreter network[C]// European Conference on Computer Vision, 2016: 1-18.
[18] 莫邵文, 邓新蒲, 王帅, 等. 基于改进视觉背景提取的运动目标检测算法[J]. 光学学报, 2016(6): 196-205. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB201606025.htm MO Shaowen, DENG Xinpu, WANG Shuai, et al. Moving object detection algorithm based on improved visual background extractor[J]. Acta Optica Sinica, 2016(6): 196-205. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB201606025.htm
[19] 朱伯伟, 庾农, 肖松. 红外极小目标检测算法研究[J]. 航空电子技术, 2011, 42(3): 5-11. https://www.cnki.com.cn/Article/CJFDTOTAL-HKDZ201103001.htm ZHU Bowei, YU Nong, XIAO Song. Approaches on infrared point targets detection algorithm[J]. Avionics Technology, 2011, 42(3): 5-11. https://www.cnki.com.cn/Article/CJFDTOTAL-HKDZ201103001.htm
计量
- 文章访问数: 553
- HTML全文浏览量: 154
- PDF下载量: 50
