Infrared Image Recognition Method for Power Equipment Based on Improved YOLO v5
-
摘要:
为解决电力设备红外图像有遮挡、分类不准确和特征提取不充分等问题，本文提出一种改进的YOLO v5识别方法。首先通过迁移学习的方法，将电力设备可见光图像和红外图像相融合，接着将Triplet注意力机制嵌入到特征提取网络中，对关键特征信息进行加权强化，最后通过多尺度融合的方法实现不同目标的识别。研究结果表明：相对于Faster R-CNN和SSD，本文方法的识别精度和识别效率最高，且适应于复杂背景下的多类型电力设备识别；本文方法的模型仅4.1 MB，相较于SSD缩减了80.8%，实现了网络模型的轻量化。本文方法为电力设备红外图像智能检测提供了新颖可行的方案。
Abstract:This study proposes an improved YOLO v5 method to solve the problems of inaccurate classification and insufficient feature extraction from power equipment infrared images. First, the visible light data and infrared images of the power equipment were fused using the transfer learning method. The triplet attention mechanism was then embedded into the feature extraction network for weighted intensification of key feature information. Finally, different targets were identified using multiscale fusion. The results show that compared with faster R-CNN and SSD, the proposed method has higher recognition accuracy and efficiency and is suitable for image recognition of multi-type power equipment in complex backgrounds. This method realizes a lightweight network model with a size of only 4.1 MB, which is a reduction of 80.8% compared to that of SSD, providing a novel and feasible scheme for intelligent infrared image detection of power equipment.
-
Keywords:
- power equipment /
- infrared image /
- ttransfer learning /
- YOLO v5s /
- attention mechanism /
- light-weight model
-
0. 引言
随着科技的发展，激光技术不仅在测距、遥感、通信等方面得到广泛的应用，而且在军事领域得到各国的重视，各类激光武器相继推出，例如激光制导武器、激光雷达等。激光近感探测根据激光束来感知目标，通过目标的回波信号来确定目标的距离和方位，其特点是方向性强、探测精度高、抗电磁干扰能力突出。战场环境中，烟雾对激光有散射和吸收的作用，从而引起能量的衰减，出现虚警和漏警的问题[1]。因此，对于激光在烟雾环境下后向散射特性的研究十分重要。
针对该问题，国内外科研人员进行了大量的研究。冯继青等[2]利用比尔朗伯定律和经典扩散方程建立烟雾环境下激光透过率模型，分析不同激光波长的透过率，但是该方法只考虑了单次散射，具有局限性。王红霞等[3]建立模型计算1.06 μm脉冲激光在烟雾中的传输，分析得到透过率与粒子粒径、烟雾厚度的关系，并且数值仿真脉冲激光在烟雾中的时间展宽特性。类成新等[4]研究激光在随机分布的烟尘团簇粒子的衰减特性，分析激光波长、入射角和粒子密度等参数对在烟尘中激光衰减的影响。李晓峰等[5]模拟研究在烟雾环境下不同波长激光在各个复折射率条件下的吸收、衰减和散射效应。Mori等[6]分析了非对称因子和Mie散射系数在烟雾中单次散射的变化特点。孟祥盛[7]利用偏振特性设计一种激光引信，该系统可以降低引信对烟雾后向散射信号的接收能力。陈慧敏等[8]建立烟雾后向散射模型，分析回波特性，将仿真结果与实测数值进行对比，验证模型的准确性。
本文根据Mie散射理论，运用Monte Carlo方法建立脉冲激光近感探测模型，设置不同距离的大小目标，在无干扰和烟雾干扰条件下仿真905 nm脉冲激光，分析回波波形特征。从而为激光近感探测抗烟雾干扰提供理论基础和新的思路。
1. 理论分析
1.1 烟雾的物理特性
战场上环境十分复杂，爆炸产生的烟雾粒子的主要成分是硫、碳、磷及其混合物。粒子的直径大小与爆炸强度、爆炸物成分和气候条件有关，爆炸产生的烟雾是瞬时的。烟雾也可以看作是气溶胶微粒，不仅爆炸会产生烟雾颗粒，人为释放烟雾气溶胶颗粒对制导武器系统是一种干扰[9]。本文选取发烟材料粒子的粒径大致分布在3~21 μm之间，烟雾粒子粒径分布如图 1所示。
1.2 Mie散射理论
Mie散射理论可用于各个方向同性的球体，但是对于形状不规则的粒子同样适用。Mie散射理论是研究大气中的气溶胶微粒与辐射光发生散射的经典理论，其散射的强度与频率二次方成正比，方向性较明显。假设入射光的强度为I0，散射距离为l，则散射光强I为[10]：
$$ I{\text{ = }}\frac{{{\lambda ^2}}}{{8{\pi ^2}}}\frac{{{i_1} + {i_2}}}{{{l^2}}}{I_0} $$ (1) 式中：i1、i2为强度函数，表达式为：
$$ \left\{ \begin{array}{l} {i_1} = {s_1}(m, \theta , \alpha ) \times {s_1}^ * (m, \theta , \alpha ) \hfill \\ {i_2} = {s_2}(m, \theta , \alpha ) \times {s_2}^ * (m, \theta , \alpha ) \hfill \\ \end{array} \right. $$ (2) 式中：m为散射体相对折射率；θ为散射角；s1、s2为散射光振幅函数，s1∗、s2∗分别为s1、s2的共轭函数，散射体尺度参数α的表达式为[11]：
$$ \alpha {\text{ = }}\frac{{2\pi r}}{\lambda } $$ (3) 式中：r是散射体的半径；λ为入射光波长。散射光振幅函数是无穷级数，可以取表达式的前10项来推演结果。因此，s1、s2具体展开式为：
$$ \left\{ \begin{array}{l} {s_1} = \sum\limits_{k = 1}^\infty {\frac{{2k + 1}}{{k(k + 1)}}[{a_k}{\pi _k} + {b_k}{\tau _k}]} \hfill \\ {s_2} = \sum\limits_{k = 1}^\infty {\frac{{2k + 1}}{{k(k + 1)}}[{a_k}{\tau _k} + {b_k}{\pi _k}]} \hfill \\ \end{array} \right. $$ (4) 式中：ak、bk表示为Mie散射系数，该系数和散射体相对折射率m及散射体尺度参数α相关。
烟雾粒子的散射系数Qsca和消光系数Qext的表达式分别为：
$$ \left\{ \begin{array}{l} {Q_{{\rm{sca}}}} = \frac{2}{{{\alpha ^2}}}\sum\limits_{k = 1}^\infty {(2k + 1)({{\left| {{a_k}} \right|}^2} + {{\left| {{b_k}} \right|}^2})} \hfill \\ {Q_{{\rm{ext}}}} = \frac{2}{{{\alpha ^2}}}\sum\limits_{k = 1}^\infty {(2k + 1){{\rm{Re}}} ({a_k} + {b_k})} \hfill \\ \end{array} \right. $$ (5) 不同相对折射率消光系数随尺度参数分布如图 2所示。
![]()
图 2 不同相对折射率消光系数随尺度参数分布Figure 2. Distribution of extinction coefficient of different relative refractive indices with scale parameter如图 2所示，在选取的3种相对折射率下，消光系数随尺度参数的增加呈振荡衰减分布，最终趋于稳定值。相对折射率越大，震荡幅度越大。
光子与烟雾粒子发生碰撞后各个方向的散射强度用散射相函数来表示，该函数表达式为：
$$ P(\theta )=\frac{{\left|{S}_{1}(\theta )\right|}^{2}+{\left|{S}_{2}(\theta ）\right|}^{2}}{{\displaystyle \sum _{k=1}^{\infty }(2k+1)({\left|{a}_{k}\right|}^{2}+{\left|{b}_{k}\right|}^{2})}} $$ (6) 式中：S1(θ)、S2(θ)为散射光振幅函数。单个粒子散射相位函数与散射角关系如图 3所示。
![]()
图 3 粒子散射相位函数与散射角关系Figure 3. Relationship between scattering phase function and scattering angle of particles2. 脉冲激光近感探测模型
构建本模型的主要思路是将发射的脉冲激光分解成大量光子，根据Mie散射理论和Monte Carlo方法模拟光子在烟雾中的运动轨迹，统计出发生散射后的抵达光电探测器的光子。脉冲激光近感探测模型分为3部分：激光发射模型、激光在烟雾中的传输模型、激光接收模型。
2.1 激光发射模型
激光器发出的脉冲激光为高斯脉冲，功率表达式为：
$$ P(t) = {P_0}\exp [ - \frac{{{{(t - \tau /2)}^2}}}{{{\tau ^2}/4\ln 2}}] $$ (7) 式中：P0为峰值功率；τ为高斯脉冲持续的时间。光子的发射点选择在激光的束腰处，该位置的光子服从高斯分布，因此可得光子的位置为：
$$ \left\{ \begin{array}{l} {x_t} = {\omega _0}{\xi _1} \hfill \\ {y_t} = {\omega _0}{\xi _2} \hfill \\ {z_t} = 0 \hfill \\ \end{array} \right. $$ (8) 式中：$ {\omega _0} = {\left( {\lambda {z_0}/\pi } \right)^{{1 \mathord{\left/ {\vphantom {1 2}} \right. } 2}}} $为束腰半径；z0为瑞利长度；ξ1、ξ2为标准正态分布随机数。光子起始发射方向为：
$$ \left\{ \begin{array}{l} {u_{xt}} = \sin {\theta _t}\cos {\varphi _t} \hfill \\ {u_{yt}} = \sin {\theta _t}\sin {\varphi _t} \hfill \\ {u_{zt}} = \cos {\theta _t} \hfill \\ \end{array} \right. $$ (9) 式中：${\theta _t} = \left| {\left( {{\theta _0}/2} \right) \cdot {\zeta _3}} \right|$为光子发射方向的天顶角；θ0为光束发散角；ξ3为标准正态分布随机数；ϕt＝2π⋅ξ4为光子发射方向的方位角；ξ4为[0, 1]区间上的均匀分布随机数。
2.2 激光在烟雾中的传输模型
光子在烟雾环境中会与烟雾粒子发生碰撞，碰撞后光子的能量会发生变化，其变化为[12]：
$$ {E_1}{\text{ = }}\frac{{{Q_{{\rm{sca}}}}}}{{{Q_{{\rm{ext}}}}}}{E_0} $$ (10) 式中：E0为散射前光子能量；E1为散射后光子能量；Qsca和Qext分别为烟雾粒子的散射系数和消光系数，具体表达式参考1.2节。碰撞后，光子的方向也发生变化，其变化为：
$$ \left\{\begin{array}{l} u_{x s}^{\prime}=\frac{\sin \theta_{\text {sca }}}{\sqrt{1-u_{z s}^2}}\left(u_{x s} u_{z s} \cos \varphi_{\text {sca }}-u_{y s} \sin \varphi_{\text {sca }}\right)+u_{x s} \cos \theta_{\text {sca }} \\ u_{y s}^{\prime}=\frac{\sin \theta_{\text {sca }}}{\sqrt{1-u_{z s}^2}}\left(u_{y s} u_{z s} \cos \varphi_{\text {sca }}+u_{x s} \sin \varphi_{\text {sca }}\right)+u_{y s} \cos \theta_{\text {sca }} \\ u_{z s}^{\prime}=-\sin \theta_{\text {sca }} \cos \varphi_{\text {sca }} \sqrt{1-u_{z s}^2}+u_{z s} \cos \theta_{\text {sca }} \end{array}\right. $$ (11) 式中：(uxs, uys, uzs)为散射前的光子移动方向；(uxs′, uys′, uzs′)为散射后的光子移动方向；ϕsca为[0, 2π]均匀分布的散射方位角；θsca为散射天顶角。光子与烟雾粒子发生碰撞后，如果没有消亡（能量小于阈值），则继续朝新的方向移动，移动的距离为：
$$ \Delta s = - \frac{{\ln \varepsilon }}{{{\mu _t}}} $$ (12) 式中：ε为[0, 1]区间上均匀分布的随机数；μt为烟雾衰减系数。
2.3 激光接收模型
光子离开烟雾环境后，朝接收端光学系统移动，有一定的比例被光电探测器接收。若光子进入接收窗口，则有[13]：
$$ {({x_{\rm{f}}} - {d_{{\rm{tr}}}})^2} + y_{\rm{f}}^2 \leqslant R_{\rm{r}}^2 $$ (13) 式中：xf、yf为光子最后一次散射的位置；dtr为收发光轴间距；Rr为接收端镜头半径。同时，光子在进入接收端光学系统时，入射角需要满足接收视场角要求：
$$ {\theta _{{\rm{in}}}} \leqslant \frac{{{\theta _{{\rm{view}}}}}}{2} $$ (14) 式中：θin为光子入射角；θview为接收视场角。若满足上式，光子可看作是被光电探测器成功接收，成为回波光子。
3. 仿真结果与分析
3.1 仿真流程
烟雾环境下脉冲激光近感探测模型仿真流程图如图 4所示。大致流程如下：输入相关参数，对脉冲激光收发系统及烟雾模型初始化，光子与粒子发生碰撞后计算出光子的能量和位置，若光子在烟雾边界内且光子存活，重复碰撞直到光子进入光电探测器或者消失。当最后一个光子完成循环流程，计算出激光回波幅值。
3.2 仿真参数
选取大小两种目标，大目标为武装直升机和小型固定翼飞机。武装直升机机体长12.5 m，宽3.4 m，高3.94 m，主旋翼直径16.35 m；小型固定翼飞机长3.3 m，机身直径0.28 m，机翼长1.56 m，高为0.7 m。激光经过该目标的回波在一个周期内距离变化量大，实验中用反射率为0.9的白板代替；小目标为小尺寸靶弹，长为2 m，直径约为12 cm，激光经过该目标的回波在一个周期内距离变化量小，实验中用反射率为0.3的灰板代替。环境选取无干扰和烟雾干扰两种环境，仿真参数如表 1所示。
表 1 仿真参数Table 1. Simulation parametersSimulation parameters Value Laser wavelength/nm 905 Emission pulse width/ns 30 Emission beam divergence angle/mrad 5 Receiving field of view angle/mrad 21 Launching system diameter/mm 10 Receiving lens diameter/mm 30 Transmit-receive spacing/mm 35 Simulated photon number 106 Smoke particle size range/μm 3-18 Smoke complex index 1.75-0.43i Target surface Bloom Target reflectance 0.3(small target)
0.9(big target)Target distance/m 3(small target)
7(big target)3.3 结果分析
由图 5可知，取小目标和大目标的距离分别为3 m和7 m，比较小目标和大目标，作用距离增大，探测信号回波的幅值减小，即发射接收系统与目标之间的距离和探测信号回波幅值呈负相关。两者探测回波的前沿上升速率呈递增趋势。
由图 6可知，在烟雾干扰的环境下，对小目标和大目标取相同质量浓度的烟雾，探测回波信号和图 5相比有了明显的变化。脉冲激光会先探测到烟雾，因为烟雾对激光的反射率低，所以接收信号的幅值相对较小；当脉冲激光穿过烟雾到达目标表面，探测回波幅值相对较大，但是由于烟雾环境中粒子对激光的散射和吸收作用，引起能量的衰减，相比较于无干扰条件下，大小目标回波幅值有所降低。烟雾回波和目标回波的脉冲宽度相对于发射激光波形均有一定的展宽，但是前者的展宽程度大于后者。烟雾回波波形呈现前沿陡峭，后沿平缓的非对称特征，对于大目标而言，作用距离的增加，该特征变化得更加明显。因此激光近感探测系统在探测目标时，如果不加入任何抑制后向散射信号方法，烟雾后向散射信号和目标反射信号将会混合在一起，导致探测系统信噪比降低，进而造成系统虚警、漏警等一系列问题。
4. 结论
本文根据Mie散射理论，运用Monte Carlo方法建立脉冲激光近感探测模型，设置参数，仿真得到大小目标在有无烟雾干扰条件下的回波，分析回波的波形特征，得到如下结论：
① 无干扰情况下，发射接收系统与目标之间的距离和探测信号回波幅值呈负相关，目标回波前沿的上升速率均呈递增趋势。
② 烟雾干扰情况下，脉冲激光会先探测到烟雾回波后探测到目标回波且烟雾回波幅值小于目标回波幅值。烟雾回波和目标回波的脉冲宽度相对于发射激光波形均有一定的展宽，但前者的展宽程度要大于后者，烟雾回波波形呈现前沿陡峭，后沿平缓的非对称特征，对于大目标而言，作用距离的增加，该特征变化得更加明显。
-
表 1 环境要求
Table 1 Environment configuration
Item Configuration OS Windows 11 CPU Intel Xeon Silver 4114T 12C GPU NVIDIA GTX1080Ti RAM 64 GB Deep learning framework PyTorch 1.8 Hard disk 1T 
下载: 导出CSV
表 2 不同改进方法的识别效果
Table 2 Recognition effect of different improvement methods
Power equipment Method 1 Method 2 Ours Insulator AP 0.85 0.87 0.95 Arrester AP 0.86 0.89 0.98 CT AP 0.89 0.97 0.99 PT AP 0.87 0.96 0.98 Transformer bushing AP 0.89 0.92 0.97 mAP 0.87 0.92 0.97 recognition time /ms 27 7.8 5.6
下载: 导出CSV
表 3 不同识别算法的效果
Table 3 Effects of different recognition algorithms
Methods mAP mRC Recognition
time/msOurs 0.95 0.97 5.8 SSD 0.85 0.88 32 Faster R-CNN 0.91 0.93 78
下载: 导出CSV
表 4 不同方法的参数量与模型大小
Table 4 Number of parameters and model size of different methods
Methods mAP@0.5 mAP@0.8 Parameter quantity /M FLOPs/G size/MB Ours 0.97 0.92 0.18 4.2 4.1 YOLO v5s 0.92 0.87 1.32 30.1 29 YOLO v4 0.94 0.83 9.83 323.9 257 Faster R-CNN 0.92 0.81 5.89 145.9 113 SSD 0.86 0.82 0.99 23.8 21.4
下载: 导出CSV
-
[1] 陈俊佑, 金立军, 段绍辉, 等. 基于Hu不变矩的红外图像电力设备识别[J]. 机电工程, 2013, 30(1): 5-8. https://www.cnki.com.cn/Article/CJFDTOTAL-JDGC201301003.htm CHEN Junyou, JIN Lijun, DUAN Shaohui, et al. Power equipment identification in infrared image based on Hu invariant moments[J]. Journal of Mechanical & Electrical Engineering, 2013, 30(1): 5-8. https://www.cnki.com.cn/Article/CJFDTOTAL-JDGC201301003.htm
[2] 邹辉, 黄福珍. 基于改进Fast-Match算法的电力设备红外图像多目标定位[J]. 中国电机工程学报, 2017, 37(2): 591-598. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201702027.htm ZOU Hui, HUANG Fuzhen. Multi-target localization for infrared images of electrical equipment based on improved fast-match algorithm[J]. Proceedings of the CSEE, 2017, 37(2): 591-598. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201702027.htm
[3] 郑含博, 李金恒, 刘洋, 等. 基于改进YOLOv3的电力设备红外目标检测模型[J]. 电工技术学报, 2021, 36(7): 1389-1398. https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS202107009.htm ZHENG Hanbo, LI Jinheng, LIU Yang, et al. Infrared target detection model for power equipment based on improved YOLO v3[J]. Electrotechnical Technology, 2021, 36(7): 1389-1398. https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS202107009.htm
[4] 徐奇伟, 黄宏, 张雪锋, 等. 基于改进区域全卷积网络的高压引线接头红外图像特征分析的在线故障诊断方法[J]. 电工技术学报, 2021, 36(7): 1380-1388. https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS202107008.htm XU Qiwei, HUANG Hong, ZHANG Xuefeng, et al. On-line fault diagnosis method based on infrared image feature analysis of high-voltage lead connector based on improved area full convolutional network[J]. Transactions of the Chinese Society of Electrical Engineering, 2021, 36(7): 1380-1388. https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS202107008.htm
[5] 罗舜. 电力变压器套管将军帽发热故障的红外诊断分析[J]. 变压器, 2018, 55(1): 50-53. https://www.cnki.com.cn/Article/CJFDTOTAL-BYQZ201801018.htm LUO Shun. Infrared diagnosis analysis of power transformer bushing coupler heating[J]. Transformer, 2018, 55(1): 50-53. https://www.cnki.com.cn/Article/CJFDTOTAL-BYQZ201801018.htm
[6] 张杰, 付泉泳, 袁野. 变压器局部放电带电检测技术应用研究[J]. 变压器, 2018, 55(8): 66-71. https://www.cnki.com.cn/Article/CJFDTOTAL-BYQZ201905024.htm ZHANG Jie, FU Quanyong, YUAN Ye. Application research of electric detection technology of partial discharge for transformer[J]. Transformer, 2018, 55(8): 66-71. https://www.cnki.com.cn/Article/CJFDTOTAL-BYQZ201905024.htm
[7] 吕俊, 王福田, 汤进, 等. 基于全景温度场的电力设备在线自动识别与诊断[J]. 计算机与现代化, 2015(8): 19-23. https://www.cnki.com.cn/Article/CJFDTOTAL-JYXH201508004.htm LV Jun, WANG Futian, TANG Jin, et al. Online automatic recognition and diagnosis of electrical devices via thermal panorama[J]. Computer and Modernization, 2015(8): 19-23. https://www.cnki.com.cn/Article/CJFDTOTAL-JYXH201508004.htm
[8] 商俊平, 李储欣, 陈亮. 基于视觉的绝缘子定位与自爆缺陷检测[J]. 电子测量与仪器学报, 2017, 31(6): 844-849. https://www.cnki.com.cn/Article/CJFDTOTAL-DZIY201706007.htm SHANG Junping, LI Chuxin, CHEN Liang. Location and detection for self-explode insulator based on vision[J]. Journal of Electronic Measurement and Instrumentation, 2017, 31(6): 844-849. https://www.cnki.com.cn/Article/CJFDTOTAL-DZIY201706007.htm
[9] 周可慧, 廖志伟, 肖异瑶, 等. 基于改进CNN的电力设备红外图像分类模型构建研究[J]. 红外技术, 2019, 41(11): 1033-1038. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201911007.htm ZHOU Kehui, LIAO Zhiwei, XIAO Yiyao, et al. Construction of infrared image classification model for power equipments based on improved CNN[J]. Infrared Technology, 2019, 41(11): 1033-1038. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201911007.htm
[10] 赵乐, 王先培, 姚鸿泰, 等. 基于可见光航拍图像的电力线提取算法综述[J]. 电网技术: 2021, 45(4): 1536-1546. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS202104035.htm ZHAO Le, WANG Xianpei, YAO Hongtai, et al. Summary of power line extraction algorithms based on visible light aerial images[J]. Power System Technology: 2021, 45(4): 1536-1546. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS202104035.htm
[11] 史晋涛, 李喆, 顾超越, 等. 基于样本扩充的Faster R-CNN电网异物监测技术[J]. 电网技术, 2020, 44(1): 44-51. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS202001005.htm SHI Jintao, LI Zhe, GU Chaoyue, et al. Faster R-CNN power grid foreign body monitoring technology based on sample expansion[J]. Power System Technology, 2020, 44(1): 44-51. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS202001005.htm
[12] 乔林, 孙宝华, 徐立波, 等. 多特征联合稀疏表示的电力设备图像识别方法[J]. 自动化技术与应用, 2020, 39(11): 120-123. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDHJ202011026.htm QIAO Lin, SUN Baohua, XU Libo, et al. Power equipment image recognition method based on multi-feature joint sparse representation[J]. Automation Technology and Application, 2020, 39(11): 120-123. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDHJ202011026.htm
[13] 李文璞, 谢可, 廖逍, 等. 基于Faster RCNN变电设备红外图像缺陷识别方法[J]. 南方电网技术, 2019, 13(12): 79-84. https://www.cnki.com.cn/Article/CJFDTOTAL-NFDW202110012.htm LI Wenpu, XIE Ke, LIAO Xiao, et al. Based on faster RCNN substation equipment infrared image defect recognition method[J]. Southern Power Grid Technology, 2019, 13(12): 79-84. https://www.cnki.com.cn/Article/CJFDTOTAL-NFDW202110012.htm
[14] 杨光俊. 卷积神经网络在电力设备红外图像识别中的应用研究[D]. 广州: 华南理工大学, 2019. YANG Guangjun. Research on the Application of Convolutional Neural Network in Infrared Image Recognition of Power Equipment[D]. Guangzhou: South China University of Technology, 2019.
[15] 付强, 姚建刚, 李唐兵, 等. 基于红外图像的绝缘子串钢帽和盘面区域自动提取方法[J]. 红外技术, 2016, 38(11): 969-974. http://hwjs.nvir.cn/cn/article/id/hwjs201611011 FU Qiang, YAO Jiangang, LI Tangbing, et al. Automatic extraction method of steel cap and disk area of insulator string based on infrared image[J]. Infrared Technology, 2016, 38(11): 969-974. http://hwjs.nvir.cn/cn/article/id/hwjs201611011
[16] 马鹏, 樊艳芳. 基于深度迁移学习的小样本智能变电站电力设备部件检测[J]. 电网技术, 2020, 44(3): 1148-1159. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS202003041.htm MA Peng, FAN Yanfang. Small sample smart substation power equipment component detection based on deep transfer learning[J]. Power System Technology, 2020, 44(3): 1148-1159. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS202003041.htm
[17] Tianchi J, LI Qiang, MAOSONG L, et al. Target detection method combining inverted residual block and YOLO v3[J]. Transducer and Microsystem Technologies, 2019, 36(11): 56-61.
[18] 王昕, 赵飞, 蒋佐富, 等. 迁移学习和卷积神经网络电力设备图像识别方法[J]. 中国测试, 2020, 46(5): 108-113. https://www.cnki.com.cn/Article/CJFDTOTAL-SYCS202005018.htm WANG Xin, ZHAO Fei, JIANG Zuofu, et al. Transfer learning and convolutional neural network power equipment image recognition method[J]. China Test, 2020, 46(5): 108-113. https://www.cnki.com.cn/Article/CJFDTOTAL-SYCS202005018.htm
[19] WU D, LV S, JIANG M, et al. Using channel pruning-based YOLOv4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments[J]. Computers and Electronics in Agriculture, 2020, 178(5): 174-178.
[20] Selvaraju R R, Cogswell M, Das A, et al. Grad-CAM: visual explanations from deep networks via gradient based localization[C]//2017 IEEE International Conference on Computer Vision, 2017: 102-105.
-
期刊类型引用(4)
1. 周运磊，董效杰，刘三军，刘承毅. 基于改进YOLOv11n的轻量级电力设备过热故障红外图像检测算法. 湖北民族大学学报(自然科学版). 2025(01): 114-118+140 . 
百度学术
2. 余明阳，金波，查志勇，余铮. 图像识别在电力信息化中的应用方法研究. 科技视界. 2024(19): 78-81 . 百度学术
3. 周坤，李鹤健，李海山. 基于改进Densenet的输电线路杆号牌识别模型. 云南电力技术. 2024(06): 50-54+70 . 百度学术
4. 张立成，范鹏，卢金宝，李振，程国然，谢涛. 基于图像特征识别和激光点云的施工机械安全距离预警方法研究. 国外电子测量技术. 2024(12): 224-230 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 4
