Research on Component Identification for Electrical Equipment Based on Infrared Thermography
-
摘要: 常见的电力设备有变压器、开关柜、断路器等，这些设备都由多个组件构成。通过这类设备的红外热成像实现了对其组件的识别。基于红外热成像信息量较少的特点，采用多种算法融合。首先是基于Lab模型采用改进的K-means聚类和形态学的结合，提取红外图像中的高温区域，充分保证了效率和可靠性。其次采用改进的SURF（speeded-up robust features）和感知哈希算法的结合，确定被提取区域中的三相组件。SURF的作用是将已知的电气设备可见光图像和被提取区域中所有的图像进行对比，找出红外图像中特征点匹配最多的区域。将其和其他红外区域进行对比，通过感知哈希算法找到其他区域中匹配度最高的两个区域，以此定位出红外图像中的三相组件。此研究适用于大量红外图像数据的识别定位，为基于红外成像的电气设备故障信息提取提供思路。Abstract: Common electrical equipment includes transformers, switchgears, and circuit breakers, which are composed of multiple components. In this study, the identification of these components was realized via infrared thermal imaging of such devices. Based on the characteristics of infrared thermal imaging with less information, a variety of algorithms have been used for fusion. First, based on the Lab model, a combination of improved K-means clustering and morphology was used to extract the high-temperature region in the infrared image, which guaranteed efficiency and reliability. Second, a combination of improved SURF and perceptual hash algorithms was used to determine the three-phase components in the extracted area. The role of SURF was to compare the visible image of the known electrical device with all the images in the extracted area to determine the area with the most matching feature points in the infrared image. Compared with other infrared regions, we found two regions with the highest matching degree in other regions via the perceptual hash algorithm to locate the three-phase devices in the infrared image. This study is applicable to infrared image recognition and positioning without a large number of image data sets and provides ideas for the extraction of fault information of electrical equipment based on infrared imaging.
-
Keywords:
- image processing /
- infrared thermal imaging /
- K-means /
- SURF /
- perceptual hash algorithm
-
0. 引言
随着光学和计算机技术的快速发展，图像设备不断更新迭代。图像中往往包含众多信息，因此生活中各种视觉系统广泛应用，如电子监控设备、计算机视觉、卫星遥感、视频监控、医学影像等[1-2]。但是，由于光照不足，拍摄的图像通常偏暗、对比度不强和图像细节难以识别，降低人眼视觉效果，同时也不利于计算机等视觉设备的正常使用。因此，需要对采集的低照度图像进行增强处理，从而使得图像具有较高对比度。如今，图像增强技术成为热门学科广受科研人员研究[3]。
近年，主流的方法有：基于直方图均衡化方法、基于Retinex理论方法、基于图像取反增强方法以及基于卷积神经网络的增强方法。如直方图均衡化处理，主要是将图像灰度映射到更多的灰度级上，从而实现对图像对比度的增强，但直接处理会导致图像细节丢失。基于SSR（single_scale Retinex）单尺度[4]算法是美国物理学家Edwin. H. Land在1997年提出的，通过对照明图估计从而得到更好的对比度和细节特征。由于单尺度Retinex在图像增强同时会造成细节丢失，随后提出多尺度[5]Retinex（multi-scale Retinex, MSR）和带颜色恢复的MSR（multi-scale Retinex with color restoration, MSRCR）增强后的色彩失真度小，但仍然会出现局部欠增强或过增强现象。基于图像取反的方法，借用He[6]暗通道先验原理，对图像进行反转操作，从而实现对图像增强。基于卷积神经网络的增强方法需要搭建网络模型[7]，且训练复杂，落地要求高。常用的图像增强算法还有，伽马变换[8]，线性拉伸等，其效果并不尽人意。随后，Fu[9]等人提出基于图像融合的弱光照增强方法，可以使得图像的对比度和亮度同时得到增强，不足之处在于图像在灯光区域增强过程中会有过曝现象，造成图像局部细节模糊。
基于此，本文提出改进Retinex与多图像融合算法，通过对图像进行直方图均衡化、自适应亮度调节以及改进的Retinex处理，将处理后的图像进行通道融合处理，可将各部分处理后的清晰特征保留下来，最后将处理后的图像转到RGB色彩空间，从而实现对低照度图像的增强。
1. 相关理论
1.1 HSV色彩模型
HSV（hue, saturation, value）由A. R. Smith在1978年创建的色彩空间[10]，也叫六角锥体模型（hexcone model）。此色彩模型按照色彩、深浅、明暗来描述图像。其中，H为图像色彩，S为图像深浅、S＝0时，只有灰度，V为图像明暗，代表图像的明亮大小。RGB是常用的色彩空间[11]，该色彩空间表明，每一种颜色都可以由R（Red）、G（green）、B（Blue）3种基色混合而成，这两种模型转换公式如下：
$$V{\rm{ = max(}}R{\rm{, }}G{\rm{, }}B{\rm{)}}$$ (1) $$S{\rm{ = }}\left\{ {\begin{array}{*{20}{l}} {\frac{{V - \min (R,G,B)}}{V}}&{{\rm{if}}\;V \ne {\rm{0}}}\\ 0&{{\rm{otherwise}}} \end{array}} \right.$$ (2) $$H{\rm{ = }}\left\{ \begin{array} {l} 60(G - B)/(V - \min (R, G, B))\;{\rm{ if }}\;V{\rm{ = }}R \\ 120 + 60(B - R)/(V - \min (R, G, B))\;{\rm{ if }}\;V{\rm{ = }}G \\ 240{\rm{ + }}60(R - G{\rm{)}}/(V - \min (R, G, B)){\rm{ if }}\;V{\rm{ = }}B \\ {\rm{if }}\;H{\rm{ < 0\;then }}\;H{\rm{ = }}H{\rm{ + 360}}{\rm{.output }} \\ \quad {\rm{0}}\;\leqslant V \leqslant {\rm{1, 0}} \leqslant S \leqslant {\rm{1, 0}} \leqslant H \leqslant {\rm{360}} \\ \end{array} \right.$$ (3) 式中：R、G、B代表彩色图像三通道，相比较RGB模型，HSV模型更接近人眼视觉效果，且在该模型上处理时各通道之间的影响较小。
1.2 直方图均衡化
采用查表直方图均衡化进行图像拉伸[12]，无论是图像质量还是处理时间都有一定的优化和提高。通过直方图均衡化增强图像对比度，将直方图中非零项的最低值设置为0，最高值设置为255，中间值灰度级拉伸变换，最后输出增强后的图像。
首先统计图像像素在每个灰度级上出现的概率，如式(4)所示：
$$p(i) = n(i)/n, \{ i|0, 1, \cdots , L - 1\} $$ (4) 式中：n(i)是灰度级i出现的次数；L是图像中总的灰度数；p是归一化到[0,1]，那么S对应p的累计概率函数为：
$$S(i) = \sum\limits_{j = 0}^i {\left( {p\left( {x\left( j \right)} \right)} \right)} $$ (5) 式(5)中：S是累计归一化直方图。
1.3 自适应调节
将图像中所有像素出现的次数依次统计出来，每个像素出现的频率，即每个像素出现的次数除以总的像素个数，并绘制该像素出现的频率图，就构成了灰度直方图。如图 1所示，为低照度图像，如图 2所示，为图 1的灰度直方图。由图 2所示可以看出，3个通道的像素值大多数分布在0~30之间，因此图像呈现出较暗状态。其主要原因是像素之间的差别较小，单纯的亮度调节并不能拉开像素灰度级的差距，所以需要进行对比度调整，即在调大像素值的同时增加像素值间的间隔，这样可以提高图像的对比度，自适应判断公式如式(6)所示：
$$ M=\left\{ \begin{array}{l}{\mathrm{min}}_{{T}_{1}}{\rm{ =255}}\times {\rm{0.1}}，{\rm{if}}{\rm{\hspace{0.17em}}}{\rm{ }}{T}_{1}{\rm{<0}}{\rm{.1}}\\ {\mathrm{max}}_{{T}_{2}}{\rm{=255}}\times {\rm{0.9}}，{\rm{ if}}{\rm{\hspace{0.17em}}}\;{T}_{2}>0.9\\ 其他\end{array}\right.$$ (6) 式中：${\min _{{T_1}}}$为设定的最低值，T1为通道像素最小设定阈值；${\max _{{T_2}}}$为设定的最高值，T2为通道像素最大设定阈值。为避免出现像素值溢出的情况，通常，T1取值为0.1，T2取值为0.9，其他情况进行0~255拉伸。
1.4 Retinex理论
Retinex理论表明，物质本身的颜色取决于其对波长的反射能力，除受反射光强度的绝对值外，同时不受非均匀光照的影响，且具有一致性，故Retinex以颜色一致性为基础。传统的非线性、线性仅增强物体的某一类特征，而该理论可在动态范围压缩、边缘提高和颜色不变等方面进行调节，使得图像能够进行自适应增强。
由该理论可知，人眼对物质亮度的感知受环境的照明和物质表面对照射光的反射共同决定，可表示为：
$$S{\rm{(}}x, y){\rm{ = }}R{\rm{(}}x{\rm{, }}y{\rm{)}} \cdot L(x, y)$$ (7) 式中：S(x, y)为采集或接收到的图像信号；L(x, y)为环境光的照射分量；R(x, y)为具有图像细节的目标物体反射分量。
如图 3所示，为Retinex对数阈值融合照明估计，其可在动态范围内压缩、边缘提高和颜色不变等方面进行平衡调节，具有良好的自适应效果。
一般把空间平滑图像作为照射图像假设估计，S(x, y)为待处理图像，R(x, y)为反射图像，L(x, y)为亮度图像，由此可得到单尺度Retinex算法，公式为：
$$r(x, y) = \lg R(x, y) = \lg \frac{{S(x, y)}}{{L(x, y)}}$$ (8) $$r(x, y) = \lg S(x, y) - \lg [G(x, y)*S(x, y)]$$ (9) 式中：r(x, y)为输出图像；*为卷积运算符；G(x, y)为中心环绕函数，其可以表示为：
$$G{\rm{(}}x{\rm{, }}y{\rm{) = }}\delta {{\rm{e}}^{\frac{{ - ({x^2} + {y^2})}}{{{C^2}}}}}$$ (10) 式中：C表示高斯环绕尺度；δ是一个尺度，它的取值必须满足一下条件：
$$\iint {G{\rm{(}}x{\rm{, }}y{\rm{)d}}x{\rm{d}}y{\rm{ = 1}}}$$ (11) 综上可知，本文将SSR算法中的卷积比作对空间的照度图像的计算，然后计算图像中像素点与该像素点区域的加权平均作为估计图像中照度，并去除估计后的图像照度，最后使图像中物体的反射属性进行保留，实现增强的效果。单尺度SSR算法实现步骤如下所示。
第一步：读入图S(x, y)，将图像每个像素由整数转到浮点数（若为灰度图像直接转换，若为彩色图分别分通道转换）；
第二步：输入尺度C，积分转为求和，进一步确定参数；
第三步：计算照度分量r(x, y)，若为彩色图，三通道均有ri＝(x, y)；
第四步：将r(x, y)从对数阈转换到实数阈得到输出图像R(x, y)；
第五步：对R(x, y)线性拉伸，并以对应的格式输出。
MSR[13]是在SSR算法上进一步演化发展而来的，此算法的优点是在进行压缩的同时，还可兼顾图像高保真度和图像的动态范围。与此同时，在一定条件下，MSR能够实现图像色彩增强、颜色不变性、局部动态压缩或全局动态压缩，也适用于X光图像增强。
$$r(x, y) = \sum\limits_k^K {{w_k}\left\{ {\lg S(x, y) - \lg [{G_k}(x, y)*S(x, y)]} \right\}} $$ (12) 式(12)中：K代表环绕函数的个数，当K取值为1时，MSR转变为SSR。一般来说，K取值为3时，可使SSR同时兼有高、中、低3个不同尺度的优点，即：
$${w_1} = {w_2}{\rm{ = }}{w_3} = 1/3$$ (13) 实验结果表明，ci分别取15，80，120可以得到较好的增强效果。
2. 改进的Retinex算法及图像融合
2.1 双边滤波
双边滤波[14]作为非线性滤波器的一种，有较强的保边、降噪、平滑能力。与其他滤波相似，双边滤波也是采用加权平均的方式，用周边像素亮度值的加权代表某个像素的强度。不同之处在于双边滤波不仅考虑像素的欧式距离，还考虑像素范数阈的差异，同时兼顾这两个权重，数学表达式如下：
$$g(x, y) = \frac{{\sum\limits_{(k, l) \in S(x, y)} {f(k, l)w(x, y, k, l)} }}{{\sum\limits_{(k, l) \in S(x, y)} {w(x, y, k, l)} }}$$ (14) 式(14)中：g(x, y)为双边滤波后的像素灰度值；f(k, l)为待处理图像像素点的灰度值；w(x, y, k, l)为采用加权的高斯函数计算得出的新灰度值；S(x, y)是以点(x, y)为中心的像素点灰度值取值范围。
2.2 改进的Retinex算法
如式(10)所示，Retinex的传统算法中，高斯函数的尺度因子C决定了图像增强效果，局限性明显。基于此，改进的Retinex算法被提出为了进行光照估计，在本文算法中，将高斯滤波和双边滤波作为中心环绕函数，分别与输入的待处理图像进行卷积运算，从而估计出入射分量。然后将估计出入射分量进行加权融合，融合后的入射分量，既可以保持图像的平滑度，提高图像对比度，还可较好保留图像边缘信息，达到滤波效果，增强算法构建流程如图 4所示，步骤如下。
1）首先将待处理图像转换到HSV色彩空间，并设定阈值对其V通道分量进行亮度调节，然后转换到RGB色彩空间，将处理的图像拷贝3份，对第一份进行直方图均衡化处理，将图像灰度级进行拉伸，实验结果表明，处理后图像会有一些孤立的噪声点出现，因此，本文对处理后的图像进行中值滤波处理，消除图像中存在的噪声点。
2）对第二份进行自动亮度调节，首先计算图像V分量的亮度值，将计算后的亮度值与设定阈值T进行比较，本文T值设定为125，V分量像素值大于125，图像亮度足够，不做处理；像素值小于125，亮度不够，需要进行亮度增强操作，由图 2可知，3个通道的像素值大多数分布在0~30之间，本文将落在0.1~0.9之间的像素值拉伸到0~255，去掉分位之外的值，然后对处理后的图像进行双边滤波处理，突出图像边缘信息。
3）对第三份进行改进的Retinex算法处理，用高斯滤波、双边滤波作为其环绕函数，分别估计图像照明分量，最后输出反射图。
最后将处理后的3份图像转到HSV色彩空间，对其V分量进行多图像融合，H、S分量用第二份图像分量值，最后将融合后的图像由HSV转到RGB色彩空间，输出处理后的图像。
3. 实验结果与分析
为测试本文算法对弱光图像增强的效果，实验环境配置：英特尔(R) Core(TM) i5-6500处理器@ 3.20GHz，Windows10操作系统，8G环境下的Pycharm软件，解释器Anaconda Python3.7。分别与无暗光的Label图像以及传统的SSR算法、MSR算法、伽马变换[15]、Fu[9]等算法进行效果对比，如图 5所示。
![]()
图 5 弱光图像增强结果对比实验图Figure 5. Comparison experimental diagram of low light image enhancement results3.1 主观分析
图 5中，第一列为不同场景下的Label图（即原图所对应的无暗光图），第二列为该场景下对应的暗光图，可以看出既有室内也有室外图。从第三列起往右依次为SSR算法、MSR算法、伽马变换、Fu的算法以及本文算法处理后所对应的图像，其中SSR算法与MSR算法处理后图像整体曝光，图像泛白，失真明显，图像细节损失严重，在远景天空区域，暗光增强效果不明显。伽马变换拉伸了图像对比度，但整体图像仍然偏暗，且在天空区域出现色彩失真现象。Fu的算法，处理后图像整体较亮，但是对比度降低，对于高亮区域变得模糊，如图 5中矩形框区域，Fu的算法对灯光区域处理后出现过曝现象，同时增强后的图像会引入噪声，图像视觉效果降低。本文算法，不仅提高了图像的亮度，而且保留了图像的细节，对比度明显。对于天空区域几乎没有出现失真现象，同时增强后的图像噪声也较少，能够实现较好的弱光图像增强。
3.2 客观分析
主观评价易受外界因素影响，为客观验证[16]算法，本文从3方面进行。
1）峰值信噪比（peak signal to noise ratio，PSNR）是常用来衡量图像变化的程度，PSNR越大，说明图像差异越小，失真度越低，图像质量越高，如公式(15)所示。
$${\rm{PSNR}} = 10 \times \lg \frac{{{\delta ^2}}}{{\frac{1}{{PQ}}\sum\limits_{p = 1}^P {\sum\limits_{q = 1}^Q {{{[f(p, q) - \psi (p, q)]}^2}} } }}$$ (15) 式中：δ表示图像的等级数，通常取δ为255；f(p, q)为初始图像；Ψ(p, q)为处理后的图像；p、q作为图像的行列数，经过对比前后，大小不变。
2）结构相似性（structural similarity index measure，SSIM）通过对比处理前后图像之间差别进行质量评估，通过对图像的对比度、结构信息以及亮度三者的乘积作为综合评判，该值越大说明处理效果越好。为了方便叙述，假设处理前图像为x，处理后图像为y。
图像亮度对比如公式(16)：
$$I(x, y) = \frac{{2{\mu _x}{\mu _y} + {H_1}}}{{{\mu _x}^2 + {\mu _y}^2 + {H_1}}}$$ (16) 图像对比度比较如公式(17)：
$$C{\rm{(}}x, y) = \frac{{2{\varphi _x}{\varphi _y} + {H_2}}}{{{\varphi _x}^2 + {\varphi _y}^2 + {H_2}}}$$ (17) 结构相似性比较如公式(18)：
$$S(x, y) = \frac{{{\varphi _{xy}} + {H_3}}}{{{\varphi _x}{\varphi _y} + {H_3}}}$$ (18) 式(16)、(17)、(18)中：μx，μy为图像像素平均值；φxy为两幅图像标准差；H1、H2、H3为常数，主要为了防止分母取0的情况。一般取H1＝(K1·L)2，H2＝(K2·L)2，H3＝H2/2, t通常设定K1为0.01，K2为0.03，L为255。
3）信息熵（information entropy, IE）指图像涵盖的信息量，该值越大，图像细节越丰富，层次及结构就越清晰，图像质量越高。如公式(19)所示：
$$E = - \sum\limits_{i{\rm{ = 0}}}^R {P(R){{\log }_2}} P(R)$$ (19) 式(19)中：R为图像像素灰度等级，通常R＝28－1，P(R)是图像中某点灰度值R时，图像在该点出现的概率。
选取图 5中Label 1、Label 5图，对其进行客观对比分析（如表 1和表 2所示）。
表 1 Label 1图像增强质量评价Table 1. Label 1 image enhancement quality evaluationLabel 1 Label diagram SSR MSR Gamma Fu’s algorithm Ours PSNR 14.51 4.43 4.89 17.32 18.20 19.45 SSIM 0.58 0.35 0.40 0.82 0.87 0.92 IE 7.15 5.54 6.46 5.43 7.12 6.90 表 2 Label 5图像增强质量评价Table 2. Label 5 image enhancement quality evaluationLabel 5 Label diagram SSR MSR Gamma Fu’s algorithm算法 Ours PSNR 13.41 3.70 4.48 14.00 15.41 16.56 SSIM 0.44 0.34 0.32 0.22 0.59 0.70 IE 7.2 6.29 6.62 5.37 6.34 7.04 由表 1、2可知，本文算法峰值信噪比、结构相似性以及信息熵明显大于其他算法。另外Label图所在列，为与暗光图像对应的无暗光图像运行获得的。可以看出PSNR，SSIM值比较低的，证明暗光图与无暗光图的差别较大。但IE值明显高于其他项，证明各种算法处理后与无暗光图像对比还有一定的差距，但经过本文算法处理后的图像，IE值比较接近无暗光图像获得IE值。由此可知，经本文算法处理后的图像，图像对比度提高，亮度增加，失真小，同时图像细节清晰和颜色失真问题，证明本文算法的有效性。
4. 结论
针对低照度图像增强过程中图像质量不佳、图像偏暗等问题，本文提出改进Retinex与多图像融合算法。对拷贝的3份图像进行分别操作，第一份采用直方图处理，拉伸了图像的灰度等级，提高了暗光图像的亮度。同时采用中值滤波，消除了图像中的孤立噪声点；对于第二份图像进行阈值拉伸处理，均匀的提高图像亮度；第三份采用改进的SSR算法处理，保留了图像的边缘信息。最后将3份图像融合，实验结果表明，经过本文算法处理的图像，主观色彩明显，自然度，对比度以及亮度都明显提高。客观上，PSNR、SSIM以及IE较其他算法都有较大提升，且经过本文算法处理后的图像，IE值最接近真实无暗光图像，表明本文算法在对弱光图像增强方面具有不错的效果。
-
![]()
图 1 某红外图片的RGB各分量的图像及直方分布图
Figure 1. Image and histogram of RGB components of an infrared picture
![]()
图 2 某红外图片的a和b分量的图像及直方分布图
Figure 2. Image and histogram of the a and b components of an infrared image
![]()
图 6 两种算法计算时长
Figure 6. The length of time required for the two algorithms to calculate
![]()
图 11 其他类型设备三相的识别定位
Figure 11. Three-phase identification and positioning of other types of equipment
表 1 两种算法的分割精度
Table 1 Segmentation accuracy of two algorithms
K-means algorithm Proposed Figure 3 0.09 0.04 Figure 11(b) 0.17 0.01 Figure 11(d) 0.09 0.06 Figure 11(c) 0.13 0.02 Figure 11(a) 0.14 0.01 
下载: 导出CSV
表 2 特征点匹配结果
Table 2 Feature point matching result
Area No. 7 13 18 31 Others Proposed 9 2 18 2 0 SURF 2 0 4 2 0
下载: 导出CSV
-
[1] 韩军利. 红外图像目标识别技术研究[D]. 南京: 南京理工大学, 2004. HAN Junli. Research on Infrared Image Target Recognition Technology[J]. Nanjing: Nanjing University of Science and Technology, 2004.
[2] 戴文远. 基于红外热图像的故障诊断方法综述[J]. 红外, 2013, 34(2): 16-21. DOI: 10.3969/j.issn.1672-8785.2013.02.03 DAI Wenyuan. Review of fault diagnosis methods based on infrared thermal images[J]. Infrared, 2013, 34(2): 16-21. DOI: 10.3969/j.issn.1672-8785.2013.02.03
[3] 冯振新, 周东国, 江翼, 等. 基于改进MSER算法的电力设备红外故障区域提取方法[J]. 电力系统保护与控制, 2019, 47(5): 123-128. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW201905015.htm FENG Zhenxin, ZHOU Dongguo, JIANG Yi, et al. Fault region extraction using improved MSER algorithm with application to the electrical system[J]. Power System Protection and Control, 2019, 47(5): 123-128. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW201905015.htm
[4] LeeHyeon-Kyu, KimJH. An HMM-based threshold model approach for gesture recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1999, 21(10): 961-973. DOI: 10.1109/34.799904
[5] 林颖, 郭志红, 陈玉峰. 基于卷积递归网络的电流互感器红外故障图像诊断[J]. 电力系统保护与控制, 2015, 43(16): 87-94. DOI: 10.7667/j.issn.1674-3415.2015.16.013 LIN Yin, GUO Zhihong, CHEN Yufeng. Convolutional-recursive network based current transformer infrared fault imagediagnosis[J]. Power System Protection and Control, 2015, 43(16): 87-94. DOI: 10.7667/j.issn.1674-3415.2015.16.013
[6] 陈伟, 何家欢, 裴喜平. 基于相空间重构和卷积神经网络的电能质量扰动分类[J]. 电力系统保护与控制, 2018, 46(14): 87-93. DOI: 10.7667/PSPC171080 CHEN Wei, HE Jiahuan, PEI Xipin. Classification for power quality disturbance based on phase-space reconstructionand convolution neural network[J]. Power System Protection and Control, 2018, 46(14): 87-93. DOI: 10.7667/PSPC171080
[7] 林群武. 红外热成像技术在电力系统设备故障检测中的应用研究[D]. 淮南: 安徽理工大学, 2016. LIN Qunwu. Application of infrared thermal imaging technology in fault detectionof power system equipment [D]. Huainan: Anhui University of Science and Technology, 2016.
[8] 艾建勇, 金立军. 基于紫外图像的接触网棒瓷绝缘子污秽状态检测[J]. 电工技术学报, 2016, 31(10): 112-118. DOI: 10.3969/j.issn.1000-6753.2016.10.013 AI Jianyong, JIN Lijun. Rod porcelain insulator filth state detection of catenary based on ultraviolet image[J]. Transactions of China Electrotechnical Society, 2016, 31(10): 112-118. DOI: 10.3969/j.issn.1000-6753.2016.10.013
[9] 周封, 任贵新. 基于颜色空间变量的输电线图像分类及特征提取[J]. 电力系统保护与控制, 2018, 46(5): 89-98. ZHOU Feng, REN Guixin. Image classification and feature extraction of transmission line based on color space variable[J]. Power System Protection and Control, 2018, 46(5): 89-98.
[10] 王志社, 杨风暴, 纪利娥, 等. 基于聚类分割和形态学的可见光与SAR图像配准[J]. 光学学报, 2014, 34(2): 184-190. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB201402030.htm WANG Zhishe, YANG Fengbao, JI Li'e, et al. Optical and SAR image registration based on cluster segmentation and mathematical morphology[J]. Acta OpticaSinica, 2014, 34(2): 184-190. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB201402030.htm
[11] 蒋景英, 张琪, 张昊, 等. 一种提高人耳特征点识别度的目标区域提取方法[J]. 纳米技术与精密工程, 2015, 13(4): 271-275. JIANG Jingying, ZHANG Qi, ZHANG Hao, et al. A target area detection method for improving ear feature point recognition degree[J]. Nanotechnology and Precision Engineering, 2015, 13(4): 271-275.
[12] 黄跃鑫, 钟舜聪, 伏喜斌, 等. 聚乙烯管道电熔接头的超声相控阵成像及缺陷特征[J]. 焊接学报, 2018, 39(2): 119-123, 134. https://www.cnki.com.cn/Article/CJFDTOTAL-HJXB201802027.htm HUANG Yuexin, ZHONG Shuncong, FU Xifu, et al. Ultrasonic phased array imaging and defect characteristics of polyethylene pipe electrofusion joints[J]. Transactions of the China Welding Institution, 2018, 39(2): 119-123, 134. https://www.cnki.com.cn/Article/CJFDTOTAL-HJXB201802027.htm
[13] 黄新波, 刘新慧, 张烨, 等. 基于红蓝色差和改进K-means算法的航拍绝缘子分类识别方法[J]. 高电压技术, 2018, 44(5): 1528-1534. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ201805018.htm HUANG Xinbo, LIU Xinhui, ZHANG Ye, et al. Classification recognition method of insulator in aerial image based on the red-blue difference and developed K-means algorithm[J]. High Voltage Engineering, 2018, 44(5): 1528-1534. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ201805018.htm
[14] 李洪锋, 魏镜弢, 付亚伟, 等. 基于SIFT算法的物体运动方向快速识别方法[J]. 计算机工程与科学, 2019, 41(6): 1050-1056. DOI: 10.3969/j.issn.1007-130X.2019.06.013 LI Hongfeng, WEI Jingtao, FU Yawei, et al. A fast object motion direction recognition method based on SIFT algorithm[J]. Computer Engineering & Science, 2019, 41(6): 1050-1056. DOI: 10.3969/j.issn.1007-130X.2019.06.013
[15] 李寒, 王库, 刘韶军. 基于灰度冗余和SURF算法的电气设备红外和可见光图像配准[J]. 电力系统保护与控制, 2011, 39(11): 111-115, 123. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW201111021.htm LI Han, WANG Ku, LIU Shaojun. Registration method between infrared and visible images of electrical equipment based on gray-scale redundancy and SURF[J]. Power System Protection and Control, 2011, 39(11): 111-115, 123. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW201111021.htm
[16] 杨瑞珍, 杜博伦, 何赟泽, 等. 晶体硅光伏电池电磁感应激励红外热辐射缺陷检测与成像技术[J]. 电工技术学报, 2018, 33(S2): 321-330. https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS2018S2009.htm YANG Ruizhen, DU Bolun, HE Yunze, et al. Infrared radiation defect detection and imaging technique under active electromagnetic induction excitation for crystalline silicon photovoltaic cells[J]. Transactions of China Electrotechnical Society, 2018, 33(S2): 321-330. https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS2018S2009.htm
[17] 崔行磊, 周学, 张勇, 等. 基于彩色摄像和光谱分析联合测温方法的电弧温度场分布测量[J]. 电工技术学报, 2017, 32(15): 128-135. CUI Xinglei, ZHOU Xue, ZHANG Yong, et al. Measurement of static Arc temperature distribution based on colorful photographing and spectroscopy analysis[J]. Transactions of China Electrotechnical Society, 2017, 32(15): 128-135.
[18] 李震, 洪添胜, 曾祥业, 等. 基于K-means聚类的柑橘红蜘蛛图像目标识别[J]. 农业工程学报, 2012, 28(23): 147-153, 299. LI Zhen, HONG Tiansheng, ZENG Xiangye, et al. Citrus red mite image target identification based on K-means clustering[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(23): 147-153.
[19] 李冠林, 马占鸿, 黄冲, 等. 基于K_means硬聚类算法的葡萄病害彩色图像分割方法[J]. 农业工程学报, 2010, 26(S2): 32-37. https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU2010S2008.htm LI Guanlin, MA Zhanhong, HUANG Chong, et al. Segmentation of color images of grape diseases using K_means clusteringalgorithm[J]. Transactions of the CSAE, 2010, 26(S2): 32-37. https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU2010S2008.htm
[20] 林滨. K-Means聚类的多种距离计算方法的文本实验比较[J]. 福建工程学院学报, 2016, 14(1): 80-85. https://www.cnki.com.cn/Article/CJFDTOTAL-JZGZ201601018.htm LIN Bin. Experimental comparison of K-Means text clustering by varied distance calculation methods[J]. Journal of Fujian University of Technology, 2016, 14(1): 80-85. https://www.cnki.com.cn/Article/CJFDTOTAL-JZGZ201601018.htm
[21] 胡兵, 杨明, 郭林栋, 等. 基于地面快速鲁棒特征的智能车全局定位方法[J]. 上海交通大学学报, 2019, 53(2): 203-208. https://www.cnki.com.cn/Article/CJFDTOTAL-SHJT201902011.htm HU Bing, YANG Ming, GUO Lindong, et al. Global localization for intelligent vehicles using ground SURF[J]. Journal of Shanghai Jiao Tong University, 2019, 53(2): 203-208. https://www.cnki.com.cn/Article/CJFDTOTAL-SHJT201902011.htm
[22] 纪利娥, 杨风暴, 王志社, 等. 可见光和红外反相图像的SURF特征双向匹配[J]. 光电工程, 2014, 41(5): 77-82. https://www.cnki.com.cn/Article/CJFDTOTAL-GDGC201405014.htm JI Li'e, YANG Fengbao, WANG Zhishe, et al. Bi-directional matching algorithm based on SURF featuresfor visible and negative image of infrared image[J]. Opto-Electronic Engineering, 2014, 41(5): 77-82. https://www.cnki.com.cn/Article/CJFDTOTAL-GDGC201405014.htm
[23] 牛夏牧, 焦玉华. 感知哈希综述[J]. 电子学报, 2008, 36(7): 1405-1411. DOI: 10.3321/j.issn:0372-2112.2008.07.029 NIU Xiamu, JIAO Yuhua. An overview of perceptual hashing[J]. Acta Electronica Sinica, 2008, 36(7): 1405-1411. DOI: 10.3321/j.issn:0372-2112.2008.07.029
[24] 简献忠, 唐章源. 一种融合感知哈希的快速压缩跟踪算法[J]. 小型微型计算机系统, 2018, 39(11): 2503-2507. DOI: 10.3969/j.issn.1000-1220.2018.11.028 JIAN Xianzhong, TANG Zhangyuan. Fast compressive tracking algorithm based on perceptual Hashing[J]. Journal of Chinese Computer Systems, 2018, 39(11): 2503-2507. DOI: 10.3969/j.issn.1000-1220.2018.11.028
-
期刊类型引用(17)
1. 任俊波，包彬彬. 红外热成像技术在应急电力系统运维中的应用. 机械工程与自动化. 2024(01): 136-137+140 . 
百度学术
2. 王振，刘磊. 融合彩色模型空间的电力设备红外图像增强. 红外技术. 2024(02): 225-232 . 本站查看
3. 崔海花，赵英凯. 基于热红外图像的船舶电气设备状态异常检测研究. 舰船科学技术. 2024(03): 147-150 . 百度学术
4. 袁天霖，田斌，朱刚，刘佳杰，周龙伟. 基于大数据分析的电力设备状态检测技术研究. 电子设计工程. 2024(08): 106-110 . 百度学术
5. 任毅，王鹏，倪彬，顾鹏，汪易萱，刘凯波. 基于改进YOLOv5s的绝缘子定位检测及红外故障识别. 测控技术. 2024(08): 7-14+22 . 百度学术
6. 冯玉涵，孙剑，张莉. 基于人工智能的红外热成像面部表情识别. 激光杂志. 2024(12): 245-249 . 百度学术
7. 田少波，张鹏飞. 红外热成像技术在发电厂大型电机中的应用研究. 电力设备管理. 2024(21): 195-197 . 百度学术
8. 张秋铭，李云红，罗雪敏，屈海涛，苏雪平，任劼，周小计. 改进Chan-Vese模型的电力设备红外图像分割算法. 红外技术. 2023(02): 129-136 . 本站查看
9. 马顺利. 基于红外热成像的地下管线质量检测方法. 北京测绘. 2023(03): 465-470 . 百度学术
10. 鄢圣华，余峰，徐赐军. 红外热成像技术在舰船机电一体化设备故障检测中的应用. 舰船科学技术. 2023(13): 178-181 . 百度学术
11. 郑文杰，杨祎，乔木，吕俊涛，张峰达，洪欣媛. 基于改进YOLO和Resnet的变电设备热缺陷识别及诊断方法. 重庆理工大学学报(自然科学). 2023(09): 261-269 . 百度学术
12. 高伟，郭美青，张兴忠，刘军. 基于改进PP-YOLOv2的红外图像电力设备检测. 计算机仿真. 2023(09): 81-87+241 . 百度学术
13. 张永伟，云再鹏，陈宏同. 电气设备振动故障实时监测预警方法. 自动化与仪表. 2023(11): 21-24+83 . 百度学术
14. 张婷婷，张冬霞，潘红娜. 基于无线网络的船舶电气设备过热监测系统. 舰船科学技术. 2023(24): 180-183 . 百度学术
15. 刘新伯，李昊，陈强，梁鉴如，郭梦茹. 复杂背景下多个绝缘子串红外图像分割方法. 计算技术与自动化. 2022(02): 125-130 . 百度学术
16. 许新华，薛迪杰，齐国红. 基于区域差异性的激光热成像图像分割. 激光杂志. 2022(10): 83-86 . 百度学术
17. 苏海锋，赵岩，武泽君，程博，吕林飞. 基于改进RetinaNet的电力设备红外目标精细化检测模型. 红外技术. 2021(11): 1104-1111 . 本站查看
其他类型引用(10)
计量
- 文章访问数: 455
- HTML全文浏览量: 199
- PDF下载量: 53
- 被引次数: 27
