基于红外数字全息的建筑爆破环境应力场检测研究

赖本林, 张永安, 张亚萍, 田丽, 赵丹露, 黄俊豪, 王刚, 赵航

赖本林, 张永安, 张亚萍, 田丽, 赵丹露, 黄俊豪, 王刚, 赵航. 基于红外数字全息的建筑爆破环境应力场检测研究[J]. 红外技术, 2023, 45(1): 102-109.
引用本文: 赖本林, 张永安, 张亚萍, 田丽, 赵丹露, 黄俊豪, 王刚, 赵航. 基于红外数字全息的建筑爆破环境应力场检测研究[J]. 红外技术, 2023, 45(1): 102-109.
LAI Benlin, ZHANG Yongan, ZHANG Yaping, TIAN Li, ZHAO Danlu, HUANG Junhao, WANG Gang, ZHAO Hang. Research on Stress Field Detection of Building Blasting Environment Based on Infrared Digital Holography[J]. Infrared Technology , 2023, 45(1): 102-109.
Citation: LAI Benlin, ZHANG Yongan, ZHANG Yaping, TIAN Li, ZHAO Danlu, HUANG Junhao, WANG Gang, ZHAO Hang. Research on Stress Field Detection of Building Blasting Environment Based on Infrared Digital Holography[J]. Infrared Technology , 2023, 45(1): 102-109.

基于红外数字全息的建筑爆破环境应力场检测研究

基金项目: 

云南省基础研究项目 2019FI002

云南省基础研究项目 202101AS070018

云南省基础研究项目 202101AV070015

详细信息
    作者简介:

    赖本林(1998-),男,云南丽江人,硕士研究生,主要研究方向为红外全息检测及图像处理。E-mail:1821422635@qq.com

    通讯作者:

    张永安(1965-),男,云南昆明人,高级实验师,硕士,主要研究方向为全息及光信息处理。E-mail:1295720542@qq.com

  • 中图分类号: TN219

Research on Stress Field Detection of Building Blasting Environment Based on Infrared Digital Holography

  • 摘要: 红外数字全息具有实时性强、可在复杂环境检测等优点;爆破环境的粉尘类气溶胶对可见光有较强的吸收、散射效应,红外波段处于“大气窗口”波长的红外光受气溶胶影响较小,该优势与数字全息相结合,本文提出一种可在高浓度粉尘环境下测量应力场的研究方法。将大小适中的光滑水泥板固定于三维施力架上作为研究对象,采用红外数字全息方法,改变环境粉尘浓度,分别测量光滑水泥板在不同压力作用下的应力场变化,对比全息图、相位差,验证了该方法的可行性,并设置可见光数字全息为对照实验。结果表明,红外数字全息可在高浓度粉尘环境下测量出应力场的施力点、压力相对大小及应力影响区域,实现实时、无损、全场检测,而可见光数字全息在此环境下检测效果不佳甚至无法完成检测,本文所提方法极大拓展了基于数字全息干涉计量应力检测手段的实用性。
    Abstract: Infrared digital holography has strong real-time performance, is not easily disturbed by visible light, and can be detected in complex environments. It is widely used in special fields. For example, dust aerosols in a blasting environment have strong absorption and scattering effects on visible light, and infrared light at the wavelength of the "atmospheric window" in the infrared band is less affected by aerosols. This advantage has been combined with digital holography. A smooth cement plate of moderate size was fixed on a three-dimensional force application frame as the research object, and the infrared digital holography method was used to change the dust concentration in the environment. The stress field changes of smooth cement plates under different pressures were measured, and the feasibility of this method was verified by comparing holograms and phase differences. Visible light digital holography was used as a control experiment. The results show that infrared digital holography can measure the force application point, relative pressure, and stress influence area of the stress field in an environment of high-concentration dust and realize real-time, nondestructive, and full-field detection, while visible digital holography in this environment is poor or even unable to complete the detection. The method proposed in this paper significantly expands the practicality of the stress detection method based on digital holographic interferometry.
  • 线路绝缘子主要承担着连接导体和电气绝缘的功能,是整个电力系统的重要的组成部分[1-3]。由于绝缘子在生产过程中会造成一定的缺陷,以及受到自然环境的影响,绝缘子会自然劣化,绝缘性能不断减弱,绝缘子串的闪络概率将增大,最终造成电网运行的不稳定,而电力事故发生的概率也将增大,给生产生活带来不利的影响。因此绝缘子的定期检测与及时维修对于维护保障电网的安全至关重要[4-5]

    目前主流的低零值(根据DL/T596-1996《电力设备预防性试验规程》中的要求,每片悬式绝缘子的绝缘电阻不应低于300 MΩ,500 kV悬式绝缘子不低于500 MΩ。低于上述水平的,一般就认为是低值或零值绝缘子。)绝缘子检测方法有:光谱法、紫外脉冲法、径向温度法、超声波检测法等。但分析文献,发现不少方法存在危险性高、算法复杂等问题,均需进一步深入研究。由于低零值绝缘子在线路中温度变化明显,目前许多电力公司逐步采用红外成像技术对低零值绝缘子进行检测。然而目前图像处理技术对电力设备进行在线检测的研究面临着图像特征提取的困难,现有算法无法有效解决绝缘子状态检测的多分类问题,且面临处理海量数据检测耗时,检测正确率低的问题。因此,面向大数据的低零值绝缘子检测方法是今后研究的重点。

    随着神经网络算法的不断改进,以深度学习为代表的人工智能理论与应用研究越来越多的被应用到故障检测识别中。目前BP(back propagation)神经网络、遗传算法[6]、Petri网络及决策树等不少数据挖掘的方法被成功应用到劣化绝缘子的诊断识别中。支持向量机同样被应用在电力系统的故障诊断领域,然而,直接采用支持向量机模型对绝缘子样本进行检测效果不尽理想。如何优化原有的支持向量机模型,解决大数据环境下绝缘子检测问题,是当下需要着重研究的方向。目前网格搜索法[7]、布谷鸟搜索算法[8]、粒子群算法[9]等等都成功被应用到优化向量机的参数寻优中。灰狼算法与支持向量机相结合应用在诸多领域中,如医学信号识别、植物种类识别、医学图像识别,其实验结果都有所改善,但很少被应用到电气设备故障诊断。本文提出的灰狼优化算法与支持向量机结合针对低零值绝缘子检测识别的应用尚属空白。

    本文通过对绝缘子红外图像进行处理,对绝缘子红外图像样本进行多层次深度特征提取用于支持向量机分类识别,并采用灰狼算法实现对支持向量机参数的优化,实现对低零值绝缘子检测识别。

    灰度变换增强可以增强红外图像中的目标与背景的对比度,提高图像的质量。灰度变换作为一种应用广泛的图像增强技术可使图像清晰、特征明显[10-12]

    设原图像为f(x, y),其灰度范围为[a, b];变换后的图像g(x, y),其灰度范围线性的扩展至[c, d]。

    $$g\left( {x, y} \right) = \frac{{d - c}}{{b - a}}\left[ {f\left( {x, y} \right) - a} \right] + c$$ (1)

    图像中大部分灰度级分布在区间[a, b]内,有少许部分在此区间之外,为了改善增强效果,可以令:

    $$g\left( {x, y} \right) = \left\{ \begin{array}{l} c \\ \frac{{d - c}}{{b - a}}\left[ {f\left( {x, y} \right) - a} \right] + c \\ d \\ \end{array} \right.$$ (2)

    直方图均衡化作为一种应用广泛的图像增强方法,可使绝缘子串同背景对比度增大,方便后期提取绝缘子串。

    图 1所示,直方图均衡化增大了绝缘子串与背景的灰度级,图像的对比度也增强了,这样有利于后期正确分割出绝缘子串和背景。

    图  1  红外图像增强
    Figure  1.  Infrared image enhancement

    首先利用最大类间方差法(Ostu)对增强后的绝缘子红外图像进行分割[13],如图 2所示。该方法可自动选取阈值,分割效果好、速度快。

    图  2  分割效果图
    Figure  2.  The result after segmentation

    对Ostu分割得到的二值图像进行切割,提取图像中完整的绝缘子串,如图 3所示,为绝缘子缺陷检测智能认知工作做好准备。

    图  3  绝缘子串提取
    Figure  3.  Insulator string extraction

    运用Ostu算法将绝缘子串的候选区域分割提取后,用Randon变换[14]的图像倾斜校正算法进行绝缘子角度校正,如图 4所示。

    图  4  绝缘子串倾斜矫正
    Figure  4.  Insulator string tilt correction

    支持向量机(support vector machine, SVM)是Bell实验室以V. Vapnik教授为首的研究小组针对小样本机器学习方法提出的一种新型模式识别方法[15]

    对于线性不可分的特征向量,需采用核函数将向量投放到高维空间中达到可以分类的效果。高斯径向基核函数作为应用最广泛的核函数,在缺乏样本数据的先验知识时,可通过调整参数取得较好的学习效果。本文采用高斯径向基核函数:

    $$K\left( {{x_i}, {x_j}} \right) = {\rm{exp}}\left( { - \frac{{\left\| {{x_i} - {x_j}} \right\|}}{{2{\delta ^2}}}} \right)$$ (3)

    式中:δ>0为高斯核的带宽。

    h维的空间上,针对线性可分问题,所有样本均满足约束件:

    $${y_i}\left( {{\mathit{\boldsymbol{\omega }}^{\rm{T}}}{X_i} + {\omega _0}} \right) - 1≥0, i = 1, 2, {\rm{L}} $$ (4)

    求解支持向量机可转化为分类间隔问题:

    $$\mathop {{\rm{min}}}\limits_{\omega , b} \frac{1}{2}{\left\| \mathit{\boldsymbol{\omega }} \right\|^2}$$ (5)

    在实际机器学习时,为了允许机器出现一些错分的点,通常在约束条件中加入松弛变量ζ>0,增加一个常数C作为惩罚因子:

    $$\mathop {{\rm{min}}}\limits_{\omega , b, \zeta } \left( {\frac{1}{2}{{\left\| \mathit{\boldsymbol{\omega }} \right\|}^2} + C\sum\limits_{i = 1}^h {{\zeta _i}} } \right)$$ (6)

    以上问题的求解,可以得到SVM回归表达式:

    $$y\left( x \right) = {\rm{sgn}}\left( {\sum\limits_{j = 1}^h {{\alpha _j}{y_j}K\left( {{x_j}, x} \right) - b} } \right)$$ (7)

    式中:αj为拉格朗日乘积因子。

    灰狼优化算法(grey wolf optimizer,GWO),是一种通过模拟灰狼捕猎过程中的狩猎和搜索行为建立的全局随机搜索算法。由澳大利亚学者Seyedali. Mirjalili等人在2014年提出的新型算法[16]。GWO算法与粒子群优化算法(particle swarm optimization,PSO)类似,是一个从随机解出最优解的过程。该方法相较于PSO、网格搜索算法(GS)等算法参数少,结构简单,同时又有较强的收敛性,已成功应用于图像处理等领域中。

    将最优解设为α,第二个和第三个最佳解分别命名为βδ,而其余的解均设为ω。狼群通过3只个体狼αβδ为初始解带领狼群ω在空间中向猎物(最优解)逼近,经过图 5所示的狼群移动方式,不断迭代,引导狼群不断靠近全局最优解。搜索过程狼群捕食位置更新:

    图  5  GWO中的位置更新
    Figure  5.  Position updating in GWO
    $$D = \left| {C \cdot {X_{\rm{p}}}\left( t \right) - X\left( t \right)} \right|$$ (8)
    $$X\left( {t + 1} \right) = {X_{\rm{p}}}\left( t \right) - A \cdot D$$ (9)

    式中:D为当前灰狼距猎物距离;AC为系数向量;Xp是猎物的位置向量。

    $$A = 2 \cdot a \cdot {r_1} - a$$ (10)
    $$C = 2 \cdot {r_2}$$ (11)

    式中:a随迭代次数从2~0递减;r1r2是[0, 1]内的随机向量。

    为了模拟狩猎行为,假设αβδ对猎物的潜在位置有更好的了解,在每次迭代过程中,保留当前最优的αβδ解。

    $$\left\{ \begin{array}{l} {D_\alpha } = \left| {{C_1} \cdot {X_\alpha }\left( t \right) - X\left( t \right)} \right| \\ {D_\beta } = \left| {{C_2} \cdot {X_\beta }\left( t \right) - X\left( t \right)} \right| \\ {D_\delta } = \left| {{C_3} \cdot {X_\delta }\left( t \right) - X\left( t \right)} \right| \\ \end{array} \right.$$ (12)
    $$\left\{ \begin{array}{l} {X_1} = {X_\alpha } - {A_1} \cdot {D_\alpha } \\ {X_2} = {X_\beta } - {A_2} \cdot {D_\beta } \\ {X_3} = {X_\delta } - {A_3} \cdot {D_\delta } \\ \end{array} \right.$$ (13)
    $${X_{\rm{p}}}\left( {t + 1} \right) = \frac{{{X_1} + {X_2} + {X_3}}}{3}$$ (14)

    式中:XαXβXδ分别代表α狼,β狼和δ狼当前位置;DαDβDδ分别代表当前狼位置和3只头狼的位置间的距离;A1A2A3为随机系数向量;t表示迭代次数。

    采用GWO优化算法对绝缘子红外图谱识别的SVM网络核参数惩罚因子C与核宽度δ进行参数优化,以达到图谱分类识别的准确性和泛化能力。

    ① 输入绝缘子图谱的特征量,选取部分作为SVM的训练集,并将剩余的特征向量集作为测试集,以验证SVM识别的准确率。

    ② 初始化狼群数量、迭代次数,设置惩罚因子C与核宽度δ的范围。

    ③ SVM根据初始参数Cδ进行训练和测试,并以错误率最小化为目标。

    ④ GWO以Cδ为猎物进行优化,达到最大迭代次数时输出GWO全局最优值。

    ⑤ 将处理后的绝缘子图谱样本分别作为SVM的训练集与测试集。采用最佳参数Cδ建立识别模型,并对测试样本进行预测、分析。

    为了验证所提出的基于GWO-SVM劣化绝缘子状态检测的可行性,由于目前未建立绝缘子红外图像数据库,我们选取200幅绝缘子图像作为绝缘子样本库。采取随机抽样的方法选取两类样本,其中训练样本120幅,测试样本80幅。所有样本由多位人工分拣专家投票分为完好和低零值两类(如图 6所示)。

    图  6  部分绝缘子红外图像样本
    Figure  6.  Partial insulator infrared image samples

    本文利用灰狼优化算法、粒子群优化算法(random-search)和网格搜索算法(grid-search)对支持向量机参数进行优化。我们对比了3种算法的寻优时间、寻参效率和训练准确率。如表 1所示,灰狼优化算法的各项性能都要比另外两种算法好,其准确率及寻参效率都高于其余两种优化算法。

    表  1  参数寻优方法对比
    Table  1.  Comparison of parameter optimization methods
    Parameter optimization method Accuracy/% Optimization time/s Seeking efficiency/(s/time)
    Grid-search 91.523 12.693 0.2487
    Random-search 92.267 8.159 0.3156
    Grey wolf optimizer 95.246 6.251 0.1145
    下载: 导出CSV 
    | 显示表格

    从3种算法优化支持向量机的结果看,网格搜索耗时长且识别准确率低,且寻优时存在复杂度高,运算量大等不足。粒子群优化算法收敛速度快,算法简单,但也存在很明显的缺点,它对于有多个局部极值点的函数,容易陷入到局部极值点中,得不到正确的结果,因此其优化向量机识别的正确率不高。而灰狼优化算法识别准确率可达到95.246%,寻优时间最少且寻参效率高。灰狼算法充分利用先验知识,避免由于惩罚参数过大而导致算法陷入局部最优的风险。因此灰狼优化相比于粒子群搜索算法和网格搜索算法能高效的对低零值绝缘子进行识别。图 7为SVM参数寻优过程。

    图  7  SVM参数寻优过程
    Figure  7.  SVM parameter optimization process

    本文通过网格优化、粒子群优化和灰狼优化这3种优化算法对支持向量机的参数Cδ进行优化。图 8为不同优化算法的故障识别对比。

    图  8  不同优化算法故障识别对比
    Figure  8.  Comparison of fault identification of different optimization algorithms

    通过图 8不同优化算法的识别对比,可以看出GWO-SVM诊断方式相比于GS-SVM和PSO-SVM识别正确率更高。对于图 8分类的结果,结合表 1,GWO-SVM错误识别的绝缘子仅有一个,且GWO寻优时间及寻参效率明显优于GS与PSO,满足预设要求。整个绝缘子串检测系统可以实现有效地对低零值绝缘子进行故障诊断,具有工程实际意义。

    1)本文绝缘子红外图像样本进行了多层次深度特征提取,相比于现有的深度模型提取的特征具有更强的鉴别能力。

    2)本文提出红外图像和灰狼算法优化支持向量机相结合的方法实现对低零值绝缘子的检测识别,能够在大数据层面准确地识别低零值绝缘子,减少人力,物力以及财力。

    3)本文采用灰狼算法优化支持向量机参数,并采用高斯径向基核函数,得到的识别模型识别效果好。

  • 图  1   实验光路图

    Figure  1.   Experimental light path diagram

    图  2   无粉尘环境不同压力全息图

    Figure  2.   Hologram of different pressures in dust-free environment

    图  3   无粉尘环境不同压力相位差重建

    Figure  3.   Reconstruction of different pressure phase difference in dust-free environment

    图  4   不同粉尘浓度环境下压力35N红外全息图

    Figure  4.   Pressure 35N infrared hologram under different dust concentration environments

    图  5   不同粉尘浓度环境下压力35 N可见光全息图

    Figure  5.   Pressure 35 N visible light hologram under different dust concentration environments

    图  6   不同粉尘浓度环境下压力35 N红外相位差重建

    Figure  6.   Pressure 35 N infrared phase difference reconstruction under different dust concentration environments

    图  7   不同粉尘浓度环境下压力35 N可见光相位差重建

    Figure  7.   Pressure 35 N visible light phase difference reconstruction under different dust concentration environments

  • [1] 郑德香, 张岩, 沈京玲, 等. 数字全息技术的原理和应用[J]. 物理, 2004(11): 843-847. DOI: 10.3321/j.issn:0379-4148.2004.11.011

    ZHENG Dexiang, ZHANG Yan, SHEN Jingling, et al. Principle and application of digital holography[J]. Physics, 2004(11): 843-847. DOI: 10.3321/j.issn:0379-4148.2004.11.011

    [2] 范美霞, 张永安, 李忠芳. 反射式数字实时全息法对岩石应力场的研究[J]. 激光技术, 2010, 34(4): 502-505. DOI: 10.3969/j.issn.1001-3806.2010.04.019

    FAN Meixia, ZHANG Yongan, LI Zhongfang. Application of reflecting real-time digital holography in thermal stress field of rock[J]. Laser Technology, 2010, 34(4): 502-505. DOI: 10.3969/j.issn.1001-3806.2010.04.019

    [3] 刘诚, 朱健强. 数字全息形貌测量的基本特性分析[J]. 强激光与粒子束, 2002(3): 328-330. https://www.cnki.com.cn/Article/CJFDTOTAL-QJGY200203002.htm

    LIU Cheng, ZHU Jianqiang. Basic characters of digital holographic profiling[J]. High Power Laser and Particle Beams, 2002(3): 328-330. https://www.cnki.com.cn/Article/CJFDTOTAL-QJGY200203002.htm

    [4] 闫浩, 隆军, 刘驰越, 等. 数字全息技术及散斑干涉技术在形变测量领域的发展及应用[J]. 红外与激光工程, 2019, 48(6): 154-166. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201906011.htm

    YAN Hao, LONG Jun, LIU Chiyue, et al. Review of the development and application of deformation measurement based on digital holography and digital speckle interferometry[J]. Infrared and Laser Engineering, 2019, 48(6): 154-166. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201906011.htm

    [5]

    GELTRUDE A, LOCATELLI M, POGGI P, et al. Infrared Digital Holography for large objects investigation[C]//Optical Measurement Systems for Industrial Inspection Ⅶ., 2011: 80820C-1-80820C-7.

    [6]

    Pasquale Poggi, Locatelli M, Pugliese E, et al. Remote monitoring of building oscillation modes by means of real-time mid infrared digital holography[J]. Scientific Reports, 2016, 6(1): 3042-3063. https://www.nature.com/articles/srep23688

    [7]

    SD Nicola, P Ferraro, S Grilli, et al. Infrared digital reflective-holographic 3D shape measurements[J]. Optics Communications, 2008, 281(6): 1445-1449. DOI: 10.1016/j.optcom.2007.11.059

    [8]

    Locatelli M, Pugliese E, Paturzo M, et al. Seeing through smoke and flames: a challenge for imaging capabilities, met thanks to digital holography at far infrared[C]//Optical Measurement Systems for Industrial Inspection Ⅷ, 2013, doi: 10.1117/12.2020921.

    [9]

    Locatelli M, Pugliese E, Paturzo M, et al. Imaging live humans through smoke and flames using far-infrared digital holography[J]. Optics Express, 2013, 21(5): 5379-90. DOI: 10.1364/OE.21.005379

    [10]

    Ferrar O, Pietr O. Infrared digital holography as new 3D imaging tool for first responders and firefighters: Recent achievements and perspectives[C]//2014 Conference on Lasers and Electro-Optics, 2014: 1-2.

    [11]

    Bianco V, Paturzo M, Finizio A, et al. Revealing fire survivors hidden behind smoke and flames by IR active imaging systems[C]//2014 International Carnahan Conference on Security Technology (ICCST). IEEE, 2014: 1-3.

    [12]

    Bianco V, Paturzo M, Finizio A, et al. Portable IR laser system for real-time display of alive people in fire scenes[J]. Journal of Display Technology, 2015, 11(10): 834-838. DOI: 10.1109/JDT.2014.2381366

    [13] 刘万里. 红外全息检测技术的研究[D]. 昆明: 昆明理工大学, 2019.

    LIU Wanli. Research on Infrared Holographic Detection Technology[D]. Kunming: Kunming University of Science and Technology, 2019.

    [14] 柴金燕, 黄晁, 陈春燕, 等. 透火焰红外数字全息图像的分辨率增强算法[J]. 光电工程, 2019, 46(4): 39-46. https://www.cnki.com.cn/Article/CJFDTOTAL-GDGC201904005.htm

    CHAI Jinyan, HUANG Chao, CHEN Chunyan, et al. Resolution enhancement algorithm of through flame infrared digital hologram [J]. Optoelectronic Engineering, 2019, 46(4): 39-46. https://www.cnki.com.cn/Article/CJFDTOTAL-GDGC201904005.htm

    [15] 杨超. 红外数字全息图像增强关键技术研究[D]. 南京: 南京邮电大学, 2019.

    YANG Chao. Research on Key Technologies of Infrared Digital Hologram Enhancement[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2019.

    [16] 钟杰, 李作友, 刘振清, 等. 测量粒子场的红外激光同轴全息技术[J]. 激光与红外, 2009, 39(11): 1251-1254. DOI: 10.3969/j.issn.1001-5078.2009.11.028

    ZHONG Jie, LI Zuoyou, LIU Zhenqing, et al. Infrared laser coaxial holography for particle field measurement [J]. Laser and Infrared, 2009, 39(11): 1251-1254. DOI: 10.3969/j.issn.1001-5078.2009.11.028

    [17] 史宁昌, 王迅, 张存林. 红外热波成像技术在文物保护修复中的应用[J]. 中国国家博物馆馆刊, 2017(5): 149-157. https://www.cnki.com.cn/Article/CJFDTOTAL-ZLBK201705018.htm

    SHI Ningchang, WANG Xun, ZHANG Cunlin. The Application of Infrared Thermal Wave Imaging Technology in Conservation[J]. Journal of Natioal Museum of China, 2017(5): 149-157. https://www.cnki.com.cn/Article/CJFDTOTAL-ZLBK201705018.htm

    [18] 张慧慧. 红外热成像无损检测石质文物渗水病害的实验研究[J]. 辽宁省交通高等专科学校学报, 2013, 15(6): 20-22. https://www.cnki.com.cn/Article/CJFDTOTAL-LJTX201306007.htm

    ZHANG Huihui. The Experimental Study on the Use of Infrared Thermal Imaging for Nondestructive Detection of Deterioration Disease in Stone Relics[J]. Journal of Liaoning Provincial College of Communications, 2013, 15(6): 20-22. https://www.cnki.com.cn/Article/CJFDTOTAL-LJTX201306007.htm

    [19] 张延岗. 火灾烟颗粒群多分散与单分散模型及干扰颗粒光散射特性的比较研究[D]. 合肥: 合肥工业大学, 2012: 14-19.

    ZHANG Yangang. Study on the Characteristics of Light Scattering by Compare Polydisperse with Monodisperse of Fire Smoke Particles, and with Interfering Particles[D]. Hefei: Hefei University of Technology, 2012: 14-19.

    [20] 钱晓凡. 信息光学数字实验室[M]. 北京: 科学出版社, 2015: 99-136.

    QIAN Xiaofan. Information Optics Digital Lab[M]. Beijing: Science Press, 2015: 99-136.

    [21] 崔宝. 城市废弃建筑物爆破拆除中的污染防治[J]. 建材技术与应用, 2004(1): 30-31. https://www.cnki.com.cn/Article/CJFDTOTAL-SXJC200401010.htm

    CUI Bao. Pollution prevention in blasting demolition of urban abandoned buildings[J]. Research and Application of Building Materials, 2004(1): 30-31. https://www.cnki.com.cn/Article/CJFDTOTAL-SXJC200401010.htm

    [22] 刘智. 激光烟雾衰减测试系统的研制[D]. 长春: 长春光学精密机械学院, 2001.

    LIU Zhi. Development of Laser Smoke Attenuation Testing System[D]. Changchun: Changchun Institute of Optics and Fine Mechanics, 2001.

    [23] 李丽芳. 大气气溶胶粒子散射对激光大气传输影响的研究[D]. 太原: 中北大学, 2013.

    LI Lifang. The Study of Atmospheric Aerosol Particles Scattering Impact on Laser Propagation in the Atmosphere[D]. Taiyuan: North University of China, 2013.

    [24] 冯继青, 高春清, 刘义东, 等. 激光对于烟雾的穿透特性分析[J]. 光学技术, 2006, 32(6): 883-885. https://www.cnki.com.cn/Article/CJFDTOTAL-GXJS200606022.htm

    FENG Jiqing, GAO Chunqing, LIU Yidong, et al. Analysis of the characteristic of laser transmitting in smog[J]. Journal of Optical Technology, 2006, 32(6): 883-885. https://www.cnki.com.cn/Article/CJFDTOTAL-GXJS200606022.htm

    [25] 江恒. 激光羽烟透过率测试系统[D]. 武汉: 华中科技大学, 2005.

    JIANG Heng. Transmissivity Testing System of the Plume Penetrated by Laser[D]. Wuhan: Huazhong University of Science and Technology, 2005.

    [26] 朱金华, 夏军, 梁钱福, 等. 建筑物爆破粉尘控制[J]. 采矿技术, 2009, 9(5): 125-126. https://www.cnki.com.cn/Article/CJFDTOTAL-SJCK200905047.htm

    ZHU Jinhua, XIA Jun, LIANG Qianfu, et al. Building blasting dust control[J]. Journal of Mining Technology, 2009, 9(5): 125-126. https://www.cnki.com.cn/Article/CJFDTOTAL-SJCK200905047.htm

  • 期刊类型引用(2)

    1. 付沛,崔岚,李硕. 基于高光谱成像的光敏印油种类区分实验. 中国无机分析化学. 2024(06): 836-841 . 百度学术
    2. 李硕,崔岚,付沛. 基于高光谱成像结合分光光度技术的喷墨打印墨水种类鉴别方法. 中国无机分析化学. 2024(06): 826-835 . 百度学术

    其他类型引用(0)

图(7)
计量
  • 文章访问数:  151
  • HTML全文浏览量:  84
  • PDF下载量:  38
  • 被引次数: 2
出版历程
  • 收稿日期:  2022-07-25
  • 修回日期:  2022-09-12
  • 刊出日期:  2023-01-19

目录

/

返回文章
返回
x 关闭 永久关闭

尊敬的专家、作者、读者:

端午节期间因系统维护,《红外技术》网站(hwjs.nvir.cn)将于2024年6月7日20:00-6月10日关闭。关闭期间,您将暂时无法访问《红外技术》网站和登录投审稿系统,给您带来不便敬请谅解!

预计6月11日正常恢复《红外技术》网站及投审稿系统的服务。您如有任何问题,可发送邮件至编辑部邮箱(irtek@china.com)与我们联系。

感谢您对本刊的支持!

《红外技术》编辑部

2024年6月6日