New Corona Discharge Segmentation Method for Power Line Based on Ultraviolet Image
-
摘要: 受拍摄环境及局部放电程度影响，夜间型紫外相机拍摄电晕放电图像不清晰、放电区域的颜色不仅接近背景颜色且与背景交叉重叠等导致难以自动分割局部放电，针对该问题提出一种新的电力线紫外图像局部放电区域精确分割方法。首先，构建基于Unet深度学习语义分割模型，利用已训练Unet网络对紫外图像语义分割获得电晕放电区域粗分割结果；其次，将放电区域紫外图像转换为灰度图像，基于前景加权的Otsu阈值分割法对粗分割结果进行精确分割。对426个样本进行测试，本文方法全部分割出了样本图像中的局部放电区域，且分割出的放电区域与真值之间的误差接近0，所提出的电晕放电分割方法能为局部放电大小量化和评估提供准确的数据源。Abstract: Corona discharge images collected with night-type ultraviolet cameras are affected by the photographer's environment and the degree of partial discharge, and the color of the discharge area is not only close to the background but also overlaps with the background, which makes it difficult to automatically segment corona discharge. This paper proposes a coarse-to-fine corona discharge ultraviolet (UV) image segmentation method. First, a deep-learning semantic segmentation model was constructed, and rough segmentation results of the corona discharge were obtained using a trained Unet network. Second, the UV image of the discharge region was converted into a gray image, and the rough segmentation result was accurately segmented based on the Otsu threshold segmentation method with foreground weighting. A total of 426 samples were tested, and all the corona discharge regions in the sample images were segmented using the proposed method. The error between the segmented discharge regions and the true value was close to 0. The proposed corona discharge segmentation method provides accurate data sources for the quantification and evaluation of corona discharges.
-
Keywords:
- corona discharge /
- ultraviolet imaging /
- semantic segmentation /
- Otsu threshold
-
0. 引言
随着红外制导技术的不断发展，装有红外传感器的导弹是飞机的最主要威胁，据统计，1973-2001年有49%的飞机损失来自红外导弹，其中1984-2001年90%的飞机损失来自红外导弹[1-2]。为保护飞机免受红外制导导弹的攻击，红外干扰弹应运而生，现今发展的红外干扰弹包括多点源红外干扰弹和面源红外干扰弹。多点源红外干扰弹依靠烟火药柱产生一个与飞机红外辐射特性类似，但能量大于飞机辐射能量2~10倍的热源，以质心干扰的方式达到欺骗来袭红外制导导弹的目的[3]；面源红外干扰弹依靠在空间形成大面积红外辐射云团，使飞机“淹没”在红外辐射云团中，以掩盖飞机自身的红外辐射特征，导致红外导引头无法分辨飞机红外辐射源和面源红外干扰弹辐射源[4-5]，飞机采用机动规避的方式逃逸出导引头视场，从而免遭红外制导导弹的攻击；多点源红外干扰弹在空中形成强红外辐射源诱骗红外导引头，面红外辐射源在空中形成大面积红外辐射源掩盖飞机自身的红外辐射源，两者结合，可有效迷惑红外制导导引头，提高载机的自卫对抗能力。
飞机的红外辐射特性是红外制导导弹识别、捕获、跟踪、摧毁飞机的信号来源，飞机的红外辐射信号主要由机身蒙皮、尾喷管和尾焰组成[4]，其中尾焰和尾喷管是飞机红外辐射的主要来源，红外制导导弹从不同方向攻击飞机时，由于方向不同，导致导引头探测目标的辐射强度和辐射面积差异很大，飞机投放干扰弹的时机和种类也不同。因此，探测飞机在不同方向的辐射特征对干扰弹弹种选择具有重要意义。
本文采用光谱辐射计、中波红外热像仪、长波红外热像仪对飞机在不同方向上的红外辐射性能进行测试，研究飞机发动机工作时在不同方向上的红外辐射性能，指导飞机应对不同方向来袭的红外制导导弹时红外干扰弹投放使用策略。
1. 测试
1.1 测试场景
选择飞机0°、正侧向90°、尾后180°三个测试角度，选择合适测试点，飞机发动机处于正常工作状态，测试场景示意图如图 1所示，测试距离300 m，飞机包络尺寸为不大于50 m×50 m×10 m，飞机发动机直径不大于1 m，因此，在测试场景下飞机可当作点目标。
1.2 测试方法
1.2.1 光谱辐射计标定
试验前应对光谱辐射计进行标定，在同一测试条件下，对黑体和被测试目标进行测试，标定对应温度下的黑体温度。
$$ I（\lambda ）=\frac{({V}_{\rm{s}}-{V}_{\rm{b}}){R}^{2}}{({V}_{\rm{BB}}-{V}_{\rm{Bb}}){L}^{2}}\times M({T}_{\rm{BB}})\times \frac{\rm{π}{D}^{4}}{4}$$ (1) 式中：Vs、Vb分别为飞机的信号、飞机附近的背景信号；VBB、VBb分别为黑体的信号、背景信号；R为测试距离；L为黑体标定距离；TBB为黑体温度；M(TBB)为黑体在TBB的光谱辐射出射度；D为光阑口径。
1.2.2 测试方法
选定不同方位（迎头、正侧向、尾后），架好仪器设备，发动机处于正常工作状态下，测试飞机的中/长波红外辐射强度、辐射面积。
1.3 数据处理
1.3.1 光谱辐射计测试数据处理
辐射计测试时，首先采用标准黑体源对光谱辐射计进行标定，得到光谱辐射计的光谱响应曲线；随后，采用标定后的光谱辐射计对待测对象进行测试，经过光谱强度积分和大气修正得到测试飞机的辐射强度曲线[6]。
按式(2)计算光谱响应系数：
$$K\left( \lambda \right) = \frac{{\Delta {V_{\rm{c}}}\left( \lambda \right) \cdot {{\left( {{L_{\rm{c}}}} \right)}^2}}}{{{A_{{\rm{bb}}}} \cdot P\left( {\lambda ,{T_{\rm{c}}}} \right)}}$$ (2) 式中：K(λ)为标定系数，V/(W/(μm·m2))；ΔVc(λ)为标定电压，V；Lc为标定距离，m；Abb为黑体腔口面积，m2；P(λ, Tc)为黑体的光谱辐亮度，W/(μm·sr·m2)；Tc为黑体温度，K。
按式(3)计算红外辐射强度：
$$I = \frac{1}{{{\tau _{\rm{a}}}}}\int_{{\lambda _{\min }}}^{{\lambda _{\max }}} {\frac{{\Delta {V_{\rm{m}}}\left( \lambda \right) \cdot {{\left( {{L_{{\rm{ob}}}}} \right)}^2}}}{{K\left( \lambda \right)}}} {\rm{d}}\lambda $$ (3) 式中：I为辐射强度，W/sr；ΔVm(λ)为测试电压，V；Lob为测试距离，m；λmin、λmax分别为波段的波长下限和上限，μm；τa为大气透过率（采用Lowtran大气模型根据实时气象条件计算）。
1.3.2 中长波红外热像仪测试数据处理
热像仪测试时，首先采用标准黑体源对热像仪进行标定，得到热像仪的辐射响应定标文件（定期进行）；采用热像仪对待测对象进行测试，得到飞机在不同方向上的温度分布图像，根据测试距离、视场角分辨率及图像像元数计算特征辐射面积S：
$$ \mathit{S}{\rm{ = }}{\mathit{n}_{\rm{T}}}{\rm{\cdot}}\mathit{\gamma }{\rm{\cdot}}\mathit{d} $$ (4) 式中：nT为视场内温度为某特定值或特定范围内的像元数目；γ为仪器角分辨率，rad/像元；d为测试距离，m。可根据需要，提取热像中目标的温度分布特征和目标图像特征。
1.4 测试结果
1.4.1 测试数据
1）光谱辐射计测试结果（迎头）
按照上述测试方法和数据处理方法，对光谱辐射计测试数据进行处理，得到飞机在中长波红外的辐射强度随时间的关系如图 2所示。
![]()
图 2 迎头测试中长波红外辐射强度随时间的关系图Figure 2. Plot of middle-long wave infrared radiation intensity over time in head-on test由图 2可知，测试时，3~5 μm的光谱辐射强度和8~14 μm的光谱辐射强度值均较低，这是由于测试时，机身遮挡，导致尾焰的辐射强度大部分被遮挡。
2）中红外热像仪测试结果（迎头）
按照1.3.2测试方法和数据处理方法，对中红外热像仪测试数据进行处理，得到飞机在中红外的特征辐射面积时间变化关系如图 3所示。
![]()
图 3 中波红外特征辐射面积随时间的变化关系图Figure 3. Middle wave infrared characteristic radiation area over time由图 3可知，中红外热像仪测试得到辐射面积最大为3.68 m2，且辐射面积随时间变化。这是由两种原因造成的，第一是飞行员操作时，不可能保证飞机发动机一直处于同一种工作状态，而是在某一工作状态附近波动；第二是由于气候原因，由于风速、风向等时刻变化，导致发动机尾焰在与大气环境传热传质过程中一直处于变化状态，从而导致特征辐射面积发生变化。
3）长波红外热像仪测试结果（迎头）
按照1.3.2测试方法和数据处理方法，对长波红外热像仪测试数据进行处理，得到飞机在长波红外的辐射面积随时间变化关系如图 4所示。
![]()
图 4 长波红外辐射面积随时间的变化关系图Figure 4. Long wave infrared characteristic radiation area over time由图 4可知，长波红外热像仪测试得飞机的最大红外特征辐射面积约为5.4 m2，比中红外辐射面积高，这也是由于飞机发动机尾焰的大部分红外辐射被飞机机身遮挡，而机身蒙皮在长波红外的辐射特征比中红外的辐射特征明显。
1.4.2 数据分析
用同样的方式测试飞机在同样工作状态下，正测向、尾向的红外辐射特征。将测试数据用同样的方式处理，得到测试结果如表 1所示。
表 1 飞机红外辐射特征测试结果汇总Table 1. Summary of aircraft radiation characteristics test resultsTest direction and angle Wave length Radiation intensity/(W/Sr) Radiation area/m2 Head-on 0° 3 to 5 μm 50.00 3.68 8 to 14 μm 50.00 5.40 Lateral 90° 3 to 5 μm 68.00 25.90 8 to 14 μm 150.00 12.53 Stern 180° 3 to 5 μm 140.00 8.85 8 to 14 μm 80.00 1.05 测试数据可得如下结论：①飞机正侧向的中长波红外辐射面积比迎头和尾后都高，这是由于正侧向时，飞机最大截面与红外热像仪视场垂直，导致红外辐射面积最大；②飞机尾后的中长波红外辐射强度远远高于正侧向和迎头，尤其是中红外辐射强度达到最高，说明发动机工作时，尾焰和尾喷管能显著提高飞机的红外辐射特征，但是辐射面积较小；③由于飞机机身的遮挡作用，飞机的红外辐射强度和面积均最小。
2. 红外干扰弹使用策略
2.1 红外干扰机理
2.1.1 面源红外干扰弹干扰红外导弹机理分析
面源红外干扰弹投放后在载机附近迅速扩散开来形成红外干扰云团，其与被保护载机的红外图像相似，或改变载机的红外图像特征，欺骗红外成像制导导弹，继而诱使红外成像制导导弹偏离被保护的载机。面源红外干扰弹对抗红外成像制导导弹，各个阶段可以采用不同的方式进行干扰[7]。
目标搜索阶段，导弹距离目标通常很远，目标机形成的红外图像很小，处于点目标阶段，当面源红外干扰弹连续投放后，在真目标附近形成大面积红外辐射云团，掩盖目标的红外辐射特征，使红外成像制导导弹导引头无法锁定真目标，面源红外干扰弹起到“隐真示假”的作用。
目标跟踪阶段初期，弹目距离逐渐缩短，目标形成的红外图像逐渐变大，且逐渐显示目标的外形特征，此时，红外成像制导导弹使用形心跟踪或是质心跟踪方式跟踪目标。当连续投放面源红外干扰弹后，在目标附近形成大面积红外辐射云团，其红外特征与目标相似，并与目标融合在一起形成共同的目标信息，甚至完全掩盖目标的红外辐射特征，从而改变导弹视场内的目标红外辐射特征，常用的灰度、面积、长宽比、圆度等识别特征均发生较大变化，制导系统难以识别出真目标，此时，实际目标的特征或运动参数将以不稳定或“非目标”的方式变化（如机动逃逸），而面源红外干扰弹的特征保持稳定（持续燃烧或连续投放），此时，成像导弹的识别系统将会锁定假目标，而达到干扰目的。
目标跟踪阶段后期，弹目距离很近，目标在导引头视场内外形特征清楚，导引头可根据目标的外形特征（面积、长宽比、圆度等）对目标进行跟踪。此时，连续投放面源红外干扰弹后，面源红外干扰弹形成大面积红外辐射云团，与目标红外辐射特征融合，增大了整个红外辐射云团的辐射面积，改变目标的外形特征，增大导引头识别算法的运算量和识别难度，使其难以识别真目标，导致成像导引头无法通过目标的面目标特征识别出目标，从而有效降低其命中目标概率。
2.1.2 点源红外干扰弹干扰红外导引头机理分析
点源红外干扰弹发射后形成单个热点目标，连续投放后形成多个点目标，通过质心干扰的方式诱骗红外制导导引头哦。由于点源红外干扰弹能量高，远大于飞机的红外辐射强度，在对抗早期第一代、第二代红外制导导引头时有效；随着具有辐射强度阈值鉴别能力的第三代、第四代红外制导导引头的装备，点源红外干扰弹由于能量太高，且干扰源数量少，干扰效能不高的缺点越来越明显。因此，点源红外干扰弹逐步被多点源红外干扰弹取代。
2.1.3 多点源红外干扰弹干扰红外导弹机理分析
多点源红外干扰弹发射后形成多个分散的点源红外干扰弹，连续投放后形成多个点状发热体。采用多发齐射或多方位齐射时，可迅速在一定空域形成红外高辐射区，在导引头瞬时视场内形成持续的多个干扰源，将目标信号淹没，且多点源红外干扰弹的辐射能量比点源红外干扰弹的小，略高于飞机，导引头无法通过强度阈值鉴别滤除干扰，导引头必须处理多组脉冲信号，降低了其检测目标的概率，红外导引头即使启动了抗干扰措施，但因探测器的噪声几何级数增大，而难以提取有效的制导信号，从而起到保护载机的作用[8]。
2.2 干扰策略分析
根据飞机发动机工作时，飞机不同方向上的红外辐射特征数据，以及多点源红外干扰弹、面源红外干扰弹的特点，可分析出飞机在面临不同方向成像红外导弹导引头时红外干扰弹的使用策略[9]。
1）当来袭红外制导导弹从尾后攻击飞机时，开始导弹距飞机较远，飞机在红外导引头中显示为一个热点，此时采用多点源红外干扰弹，以质心干扰的方式诱骗红外导引头；随着来袭导弹与飞机距离缩短，飞机在导引头中面积逐渐增大，采用面源红外干扰弹，其红外辐射云团与飞机融合，改变目标的红外辐射特征和在导引头视角下的面目标特征，使导引头分辨不出目标，从而形成有效干扰。多点源红外干扰弹和面源红外干扰弹组合使用，两者结合可有效干扰红外导引头。
2）当来袭红外制导导弹侧向攻击飞机时，由于飞机在红外导引头中显示的面积较大，且能量较高，此时可采用面源红外干扰弹有效掩盖目标的红外辐射特征，干扰来袭导弹导引头。
3）当来袭红外制导导弹迎头攻击飞机时，由于此时飞机在红外导引头中显示的面积和能量均很低，此时采用多点源红外干扰弹和面源红外干扰弹组合使用，通过多点源红外干扰弹的质心干扰，形成假目标，结合面源红外干扰弹的大面积特征，掩盖目标的红外辐射特征，隐藏真实目标特征，点和面结合，达到“隐真示假”的效果，可有效干扰红外制导导弹导引头。
3. 结论
本文以飞机为研究对象，采用光谱辐射计、中长波红外热像仪测试了飞机发动机工作时，飞机迎头、正侧向、尾向3个不同方向上的红外辐射特征，根据红外辐射特征，结合多点源红外干扰弹、面源红外干扰弹的特点，分析了飞机在面临不同方向来袭红外制导导弹时干扰弹的投放策略。当来袭导弹从尾后攻击时，远距时采用多点源红外干扰弹、中近距时采用面源红外干扰弹；侧向攻击时，采用面源红外干扰弹；迎头攻击时，采用点源、面源组合使用，可形成有效干扰。
-
![]()
图 1 “日盲”紫外图像及电晕放电分割结果
Figure 1. Solar-blind UV image and its corona discharge segmentation results
![]()
图 8 放电区域精确分割结果及比较
Figure 8. Discharge area segmentation results and comparison for different methods
![]()
图 9 不同方法对电晕放电分割结果比较：(a) 原图；(b) 放电区域真值；(c) Unet分割结果；(d) Otsu分割结果；(e) 本文分割结果
Figure 9. Comparison of corona discharge segmentation results for different methods : (a) Original images; (b) Ground-truth of Corona discharge areas; (c) Segmentation results based on Unet network; (d) Segmentation results based on Otsu method; (e) Segmentation results based on our method
表 1 全部测试图像语义分割混淆矩阵
Table 1 Semantic segmentation confusion matrix
Predict labeled True labeled TP=118884 FN=29524 FP=28980 TN=57760532 
下载: 导出CSV
表 2 部分图像分割的MCE值
Table 2 The MCE values of image segmentation
Segmentation method Sample 1 Sample 2 Sample 2 Sample 3 Unet 0.3638 0.4752 0.6675 0.5475 Otsu 0.2301 0.1394 0.2137 0.1909 Our method 0.0542 0.0338 0.0165 0.0291
下载: 导出CSV
-
[1] 王胜辉. 基于紫外成像的污秽悬式绝缘子放电检测及评估[D]. 北京: 华北电力大学, 2011. WANG Shenghui. Detection and Assessment of Contaminated Suspension Insulator Discharge Based on Ultraviolet Imaging[D]. Beijing: North China Electric Power University, 2021.
[2] 张显. 基于紫外检测技术的绝缘子电晕放电特性研究[D]. 长沙: 长沙理工大学, 2016. ZHANG Xian. Research the Characteristics of Insulator Corona Discharge based on UV Imaging Technology[D]. Changsha: Changsha University of Science & Technology, 2016.
[3] 赵太飞, 李晗辰, 张港, 等. 无人机巡线的紫外放电检测研究[J]. 电子测量与仪器学报, 2020, 34(12): 36-42. https://www.cnki.com.cn/Article/CJFDTOTAL-DZIY202012005.htm ZHAO Taifei, LI Hanchen, ZHANG Gang, et al. Ultraviolet discharge detection research for UAV patrol[J]. Journal of Electronic Measurement and Instrumentation, 2020, 34(12): 36-42. https://www.cnki.com.cn/Article/CJFDTOTAL-DZIY202012005.htm
[4] WANG S, LV F, LIU Y. Estimation of discharge magnitude of composite insulator surface corona discharge based on ultraviolet imaging method[J]. IEEE Transactions on Dielectrics & Electrical Insulation, 2014, 21(4): 1697-1704.
[5] ZHANG Z, WEI Z, ZHANG D, et al. Comparison of different characteristic parameters acquired by UV imager in detecting corona discharge[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2016, 23(3): 1597-1604. DOI: 10.1109/TDEI.2016.005499
[6] LIN Y, CHEN Y, ZHOU J, et al. Gray Standard deviation based ultraviolet image segmentation for electrical equipment[C]//Journal of Physics: Conference Series, 2019, 1169(1): 012051.
[7] 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
[8] 刘云鹏, 李泳霖, 裴少通, 等. 基于紫外成像技术的彩色光斑映射识别算法研究[J]. 华北电力大学学报: 自然科学版, 2022(4): 1-9. https://www.cnki.com.cn/Article/CJFDTOTAL-HBDL202303001.htm LIU Yunpeng, LI Yonglin, PEI Shaotong, et al. Research on color spot mapping recognition algorithm based on ultraviolet imaging technology[J]. Journal of North China Electric Power University: Nature Science, 2022(4): 1-9. https://www.cnki.com.cn/Article/CJFDTOTAL-HBDL202303001.htm
[9] 李勋, 张宏钊, 胡元潮, 等. 基于C-V模型的电晕放电紫外成像分割及特征量研究[J]. 高压电器, 2017, 53(8): 123-128. https://www.cnki.com.cn/Article/CJFDTOTAL-GYDQ201708021.htm LI Xun, ZHANG Hongzhao, HU Yuanchao, et al. Ultraviolet image segmentation and characteristic quantities of corona discharge based on C-V model[J]. High Voltage Apparatus, 2017, 53(8): 123-128. https://www.cnki.com.cn/Article/CJFDTOTAL-GYDQ201708021.htm
[10] 闵超波, 顾燕, 杨锋. 基于泊松分布的日盲紫外电晕检测[J]. 红外技术, 2020, 42(8): 715-721. http://hwjs.nvir.cn/article/id/hwjs202008002 MIN Chaobo, GU Yan, YANG Feng. Corona detection of solar-blind ultraviolet via Poisson distribution[J]. Infrared Technology, 2020, 42(8): 715-721. http://hwjs.nvir.cn/article/id/hwjs202008002
[11] 王胜辉, 董兴浩, 王玺铭, 等. 基于改进SSD算法和紫外成像的悬式绝缘子放电严重程度评估[J]. 华北电力大学学报: 自然科学版, 2022(4): 1-10. https://www.cnki.com.cn/Article/CJFDTOTAL-HBDL202305005.htm WANG Shenghui, DONG Xinghao, WANG Xuming et. al. Suspension insulator based on improved SSD algorithm and UV imaging discharge severity assessment[J]. Journal of North China Electric Power University(Nature Science), 2022(4): 1-10. https://www.cnki.com.cn/Article/CJFDTOTAL-HBDL202305005.htm
[12] Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[C]//Medical Image Computing and Computer-Assisted Intervention–MICCAI, 2015: 234-241
[13] Otsu N. A threshold selection method from gray-level Histograms[J]. IEEE Transactions on Systems Man & Cybernetics, 2007, 9(1): 62-66.
[14] Kapur J, Sahoo P K, Wong A. A new method for gray-level picture thresholding using the entropy of the histogram[J]. Computer Vision, Graphics, and Image Processing, 1985, 29(3): 273-285. DOI: 10.1016/0734-189X(85)90125-2
[15] Kittler J, Illingworth J. Minimum error thresholding[J]. Pattern Recognition, 1986, 19(1): 41-47. DOI: 10.1016/0031-3203(86)90030-0
[16] XU X, XU S, JIN L, et. al. Characteristic analysis of Otsu threshold and its applications[J]. Pattern Recognition Letters, 2011, 32(7): 956-961. DOI: 10.1016/j.patrec.2011.01.021
[17] 袁小翠, 吴禄慎, 陈华伟. 基于Otsu方法的钢轨图像分割[J]. 光学精密工程, 2016, 24(7): 1772-1781. https://www.cnki.com.cn/Article/CJFDTOTAL-GXJM201607028.htm YUAN Xiaocui, WU Lushen, CHEN Huawei. Rail image segmentation based on Otsu threshold method[J]. Optics and Precision Engineering, 2006, 24(7): 1772-1781. https://www.cnki.com.cn/Article/CJFDTOTAL-GXJM201607028.htm
[18] 袁刚, 许志浩, 康兵, 等. 基于DeepLabv3+网络的电流互感器红外图像分割方法[J]. 红外技术, 2021, 43(11): 1127-1134. http://hwjs.nvir.cn/article/id/b9df2f53-2244-471b-b0ec-42159cfaa654 YUAN Gang, XU Zhihao, KANG Bing. Deep Labv3+ network-based infrared image segmentation method for current transformer[J]. Optics and Precision Engineering, 2021, 43(11): 1127-1134. http://hwjs.nvir.cn/article/id/b9df2f53-2244-471b-b0ec-42159cfaa654
[19] 张开放, 苏华友, 窦勇. 一种基于混淆矩阵的多分类任务准确率评估新方法[J]. 计算机工程与科学, 2021, 43(11): 1910-1919. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJK202111002.htm ZHANG Kaifang, SU Huayou, DOU Yong. A new multi-classification task accuracy evaluation method based on confusion matrix[J]. Computer Engineering & Science, 2021, 43(11): 1910-1919. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJK202111002.htm
-
期刊类型引用(4)
1. 周萍，代威，陆浩然，常晓华，李强，廖传军，宋海英. 航天装备主动防御隐身技术综述. 安全与电磁兼容. 2025(02): 18-34 . 
百度学术
2. 王东，高俊光，陈磊，张恒伟，路亚旭. 喷气式飞机尾喷管及尾焰红外辐射特性测量分析. 激光与红外. 2024(07): 1097-1101 . 百度学术
3. 王东，李武周，樊仁杰，刘小虎. 运输机迎头飞行状态红外辐射特性测量及分析. 光学与光电技术. 2023(02): 114-119 . 百度学术
4. 胡长德，张海波，王朝晖，王林旭，李子杨，刘婕. 一种红外辐射特性测量教学训练系统. 光学仪器. 2022(04): 10-15 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 86
- HTML全文浏览量: 52
- PDF下载量: 29
- 被引次数: 5
