Irradiation Characteristics of Point-shaped Far-Infrared Emission Source and Combination
-
摘要: 本文先探究3种材料的远红外辐照特性以及质量、辐照面积以及金属对远红外辐照的影响，再以点状远红外发射源为研究对象，研究了点状远红外发射源的不同影响因素及其功率密度分布规律。结果表明：远红外烧结材料的功率密度最高，陶瓷材料次之，玻璃材料最低，并确定了远红外材料功率密度的影响因素有质量、辐照面积以及金属外罩；点状远红外发射源的功率密度随着温度的升高而升高，其功率密度峰值对应的波长主要在λ＝6, 10 mm附近。点状远红外发射源其功率密度呈放射状分布，在法向距离L＝0~3 cm、平面内半径r＝0~1 cm范围内，远红外功率密度衰减率较低，并建立了功率密度E与法向距离L的数学模型。最后据此设计了一种均匀场能的远红外发射源组合模型，验证实验表明该模型场能分布均匀，达到预期。Abstract: In this study, the far-infrared radiation characteristics of three materials and the effects of different metals on far-infrared radiation were explored. The study used the point-shaped far-infrared emission source as a research object to examine the different influencing factors and power density distribution regulation of the point-shaped far-infrared source. Results indicated that the far-infrared sintered material exhibited the highest power density, followed by the ceramic and glass materials. Factors that affected the power density of far-infrared materials were identified as the quality, irradiated area, and metal cover. The power density of the point-shaped far-infrared source increased with temperature, and the wavelength corresponding to the maximum power density was approximately λ=6-10 μm. The power density of the point-shaped far-infrared emission source was distributed in a radial manner. In the range of the vertical distance L=0-3 cm and radius r=0-1 cm, the far-infrared power density attenuation rate was low and was designed accordingly. In addition, a mathematical model of power density E and normal distance L was established. Based on these factors, we designed a far-infrared emitter combination model with a uniform field energy. Results revealed that the field energy of this model was evenly distributed to achieve the desired effect.
-
Keywords:
- far infrared irradiation /
- emission source /
- power density /
- distribution law /
- mathematical model
-
0. 引言
红外成像具有非接触直接测量输变电设备状态的特征，无需停电，在电力领域具有广泛的应用[1-3]。输变电设备在野外严峻环境中长期运行，由于材料老化、污秽闪络、机械受损等因素，常伴随有局部放电、温度增高等现象。绝缘子作为输电线路重要部件，起到电气隔离和机械支撑的作用，当红外图像显示的温度较高，表明其有异常缺陷，这是因为场强不均匀发生局部放电，严重时可能导致线路故障，甚至造成停电故障。文献[4-5]开展了变压器高压套管的红外诊断研究，通过热像特征谱图分析了故障原因。红外图像可应用于交流滤波器的故障分析中，提取其跳闸的典型故障特征[6-8]。
输变电设备红外图谱特征提取主要为图像处理方法，诸如纹理、色彩、边框等图像特征[9-10]。随着无人机航拍技术的发展，输变电设备红外图谱呈现爆发式增长，深度学习提供了一种良好的手段[11-13]，采用卷积神经网络（Convolutional Neural Networks，CNN）的方法，对海量图片进行训练学习，提取特征进行测试和验证。CNN通过卷积层计算，输入较深层的特征图，对于小目标绝缘子、套管，权重值相对较少，无法实现小目标的有效提取[14-15]。针对这一缺点，本文对Faster R-CNN方法进行改进，提高绝缘子红外图谱诊断的精度。
1. 改进的Faster R-CNN方法
1.1 Faster R-CNN原理
区别于普通的CNN，Faster R-CNN增加了一个区域提取网络（Region Proposal Network，RPN），即图 1中的候选区域，摒弃传统的滑动窗口，可在GPU直接运行计算，极大地加快了计算速度。RPN判断每个像素点对应的多个不同尺度和宽高比的锚框是否为前景目标的二分类，形成候选区域。
Faster R-CNN一般采用随机梯度下降法（Stochastic Gradient Descent，SGD）训练神经网络，见式(1)：
$$ h(x) = \sum\limits_{i = 0}^n {{w_i}} {x_i} = {\mathit{\boldsymbol{W}}^{\rm{T}}}\mathit{\boldsymbol{X}} $$ (1) 式中：X为输入；W为权重；wi、xi分别表示第i个权重和输入；h(x)为对应的输出。
损失函数S(W)基于平方误差实现，见式(2)：
$$ S(\mathit{\boldsymbol{W}}) = \frac{1}{2}\sum\limits_{i = 0}^m {{{({h_W}({x_i}) - {y_i})}^2}} $$ (2) 式中：yi为真实输出。
W的更新函数见式(3)：
$$ {W_j} = {W_j} - \alpha \frac{\partial }{{\partial {W_j}}}S(\mathit{\boldsymbol{W}}) $$ (3) 式中：α为学习率，可设置步长。W通过梯度下降法进行求解，首先正向计算样本输出值，接着根据反向传递的误差迭代计算，常用在CNN训练中。
RPN的选择本质是通过平移或者尺度变化的方法将合适的区域提取网络R变成$\hat C$，从而接近实际的候选框C：
$$ f({R_x}, {R_y}, {R_w}, {R_h}) = \left( {{{\hat C}_x}, {{\hat C}_y}, {{\hat C}_w}, {{\hat C}_h}} \right) \approx \left( {{C_x}, {C_y}, {C_w}, {C_h}} \right) $$ (4) 式中：(x, y)、(w, h)分别为矩形区域的中心坐标和宽、高。
令${t_*}$为矩形区域的平移和缩放量，则有：
$$ \left\{ {\begin{array}{*{20}{l}} {{t_x} = ({C_x} - {R_x})/{R_{\rm{w}}}}\\ {{t_y} = ({C_y} - {R_y})/{R_{\rm{h}}}}\\ {{t_{\rm{w}}} = \lg ({C_{\rm{w}}}/{R_{\rm{w}}})}\\ {{t_{\rm{h}}} = \lg ({C_{\rm{h}}}/{R_{\rm{h}}})} \end{array}} \right. $$ (5) 式中：tx、ty为矩形区域的中心坐标平移量；tw、th分别为矩形区域的宽、高的缩放量。
预测值计算过程为：
$$ {d_*}(R) = w_*^{\rm{T}}\phi (R) $$ (6) 式中：ϕ是最后一次卷积计算。
损失函数的目标值计算见式(7)，通过调整平移和缩放的尺度，确定最终的候选区域[16]：
$$ {L_{{\rm{oss}}}} = \sum\limits_{i = 1}^N {{{(t_*^i - w_*^{\rm{T}}\phi ({C^i}))}^2}} $$ (7) 1.2 压缩激励结构
为了增强Faster R-CNN的小目标特征提取能力，引入压缩激励结构，即压缩和激励两大操作，设图像的特征参数设置为(H, W, K)，分别表示为长、宽和通道数。
压缩操作Fsq(·)基于各个通道实现特征图空间信息的压缩，见式(8)：
$$ {h_c} = {F_{{\rm{sq}}}}\left( {{k_c}} \right) = \frac{1}{{H \times W}}\sum\limits_{i = 1}^H {\sum\limits_{j = 1}^W {{k_c}(i, j)} } $$ (8) 式中：kc表示第c个通道；hc表示经过压缩后输出向量h的第c个元素。
激励操作分为激励Fex(·)和校准Fscale(·)两个过程，分别见式(9)和式(10)：
$$ s = {F_{{\rm{ex}}}}(h, w) = \sigma (g(z, w)) = \sigma ({w_2}\delta ({w_1}z)) $$ (9) 式中：σ是sigmoid激活函数；w1为$\frac{c}{r} \times \vec C$的实数矩阵，表示通道的缩减，r为缩减因子；δ是ReLU激活函数，w2为$\vec C \times \frac{c}{r}$的实数矩阵，表示通道的恢复。
$$ {\tilde h_c} = {F_{{\rm{scale}}}}({h_c}, {s_c}) = {s_c}.{h_c} $$ (10) 式中：sc表示激活向量s的第c个元素；${\tilde h_c}$表示校准后的对应元素。
2. 绝缘子红外图像的深度学习
2.1 环境搭建
本文基于改进的Faster R-CNN方法，对平台的环境搭建要求较高，具体配置见表 1。操作系统为开源Linux，数据库为MySQL；硬件配置较高，CPU采用Intel高端系列，内存和硬盘容量均较大，保证大量数据的高效运算。框架采用2018年初公开的目标检测平台Detectron，包含最具代表性的目标检测、图像分割、关键点检测算法。
表 1 软硬件配置Table 1. Hardware and software configurationName Model Operating system Ubuntu 16.04.1 Database mysql 5.5.20 CPU Intel Xeon Silver 4114T 12C GPU NVIDIA GTX1080Ti Memory 32 G Hard disk 1 T Frame Detectron 2.2 数据准备
图像数据来源于多条输电线路无人机拍摄的大量绝缘子照片。在神经网络的训练过程中，对正负样本的判定见图 2，主要基于锚框映射图与真实目标框的交并比（Intersection over Union，IoU）来进行计算分类。首先对RPN形成的锚框进行排序筛选形成锚框序列，接着利用边框回归参数向量修正锚框的位置形成候选区域集合，然后计算所有感兴趣区域（Region of Interest，RoI）与真实目标框的IoU，求最大值，并判断其是否大于0.5，若满足，则为正样本，否则为负样本。
完成正负样本的判定后，为了使样本的采样尽量均衡，保证双方的训练集和验证集数量一致，同时采用迁移学习的方法，经过相关修正与补偿，扩充样本总量至2375，样本信息配置见表 2。
表 2 样本配置信息Table 2. Information of sample configurationsample type training set verification set test set total positive 500 250 750 1500 negative 500 250 125 875 total 1000 500 875 2375 2.3 改进模型的建立
普通的CNN方法，原始图像经过卷积层和池化层后，全链接层输出结果，本文方法的结构如图 3所示，引入压缩激励的过程，压缩特征图的空间信息，并通过激励操作学习通道间的依赖关系，可自适应分配每个通道的权重值，提取有利于任务的重要特征通道，最终能进一步增强网络模型的特征提取能力，采用SE-DenseNet-169框架的Faster R-CNN模型。
改进模型主要完成绝缘子异常状态的精准识别，首先对红外原始图像进行相关修正与补偿实现样本扩充，然后采用本文方法进行训练，收敛后，获得最终的改进Faster R-CNN模型。
3. 实验分析
3.1 精确度衡量
CNN学习中，精确度的衡量一般会采用准确率（Precision）和召回率（Recall），其计算过程分别见式(11)和式(12)：
$$ {P_{{\rm{re}}}} = \frac{{{\rm{TP}}}}{{{\rm{TP}} + {\rm{FP}}}} $$ (11) $$ {P_{{\rm{ca}}}} = \frac{{{\rm{TP}}}}{{{\rm{TP + FN}}}} $$ (12) 式中：TP表示是实际值和预测值均是异常绝缘子的个数；FP表示预测值是异常绝缘子，实际值却不是的个数；FN表示是实际值是异常绝缘子，预测值却不是的个数。
为进一步衡量改进模型的优劣，这里采用平均检测精度（mean Average Precision，mAP），其中AP等价于召回率和准确率形成曲线与横轴包围的几何图形的面积，对所有类别的AP求平均值即可得到mAP。
3.2 不同方法的对比研究
基于样本数据，开展BP、Faster R-CNN以及本文方法的精确度和效率对比研究，不同方法的实验结果统计见表 3。Faster R-CNN和本文方法在Precision方面均明显优于BP方法，本文方法的Recall最高，mAP也最高，相对于BP提高了近10%，这说明经过改进的Faster R-CNN对于小目标的特征提取具有明显的优势。本文方法通过压缩激励结果，减少了数据量的计算，所以相对于其他方法，有更高的效率。
表 3 不同方法的实验结果统计Table 3. Statistics of experimental results by different methodsName Precision Recall mAP Time/s BP 93.5% 90.4% 80.3% 2.3 Faster R-CNN 98.7% 95.3% 88.7% 1.2 BFEM 99.2% 97.6% 90.2% 0.9 绘制其准确率-召回率关系曲线，如图 4所示，可更加形象直观地反映出本文方法对绝缘子异常特征的提取优势，因为另外两种方法的曲线均被完整的覆盖，说明本文方法改进效果明显。
3.3 不同类型绝缘子对比研究
常见绝缘子排列有单Ⅰ型、双Ⅰ型以及Ⅴ型。本文开展这3类绝缘子的红外图像研究，比较不同排列方式的诊断准确率，如图 5所示。根据电力标准DL/T 664-2008[19]，图(b)和图(c)绝缘子端部明显发热，属于异常情况。
不同类型绝缘子的异常诊断准确率见表 4，准确率均较高，均在90%以上；Ⅰ型和Ⅴ型绝缘子的准确率明显优于双Ⅰ型绝缘子，这是因为双Ⅰ型绝缘子会出现两排绝缘子重叠的情况，对红外图像的研究造成一定的影响，为此无人机对于该种类型绝缘子的线路需开展多种角度的拍摄。
表 4 绝缘子异常诊断的准确率Table 4. Accuracy of insulator anomaly diagnosisInsulator type Abnormal total Detected number Accuracy Single Ⅰ 62 61 98.4% Double Ⅰ 47 44 93.6% Ⅴ 31 31 100.0% 4. 结论
本文提出一种改进的Faster R-CNN方法，引入激励压缩环节，搭建训练模型，完成绝缘子红外图像的异常诊断，并成功应用于电力现场运维。本文方法可高效并精准地识别出绝缘子的异常缺陷，mAP达到90.2%。研究结果可为输电线路绝缘子缺陷识别研究提供一定的参考。
-
![]()
图 2 不同远红外材料
Figure 2. Different far infrared materials
(a)Far-infrarpd sintered materials m=5.009g (b)Ceramic fragments m=5.544 g (c)Glass fragments m=5.569 g
![]()
图 3 ① 号远红外发射源功率密度测定定位
Figure 3. Power density measurement location of far-infrared emission source①
![]()
图 4 不同远红外材料的功率密度（λ＝9μm，L＝1 cm）
Figure 4. Power density of different far infrared materials(λ＝9μm, L＝1 cm)
![]()
图 5 相同辐照面积下质量对远红外材料功率密度的影响（λ＝9μm，L＝1 cm）
Figure 5. The effect of mass on the power density of far infraredmaterials under the same irradiation area(λ＝9μm, L＝1 cm)
Note:M1＝3.007 g; M2＝6.000 g; M3＝9.006 g a, b: Significant difference in different groups at the same temperature, p < 0.05
![]()
图 6 相同质量下辐照面积对远红外材料功率密度的影响（λ＝9μm，L＝1 cm）
Figure 6. The effect of irradiation area on the power density of far-infrared materials at the same mass(λ＝9μm, L＝1 cm)
Note:D1＝2 cm; D2＝3 cm; D3＝4 cm a, b, c: Significant difference in different groups at the same temperature, p < 0.05
![]()
图 7 不同远红外发射源功率密度比较（λ＝9μm，L＝1 cm）
Figure 7. Power density comparison of different far infrared emission sources(λ＝9μm, L＝1 cm)
![]()
图 8 不同温度下①号远红外发射源在不同波长下的功率密度
Figure 8. The power density of far-infrared emitters① at different wavelengths and temperatures
![]()
图 9 不同法向距离下①号远红外发射源功率密度（λ＝9μm，r＝0 cm）
Figure 9. Power density of far-infrared emitters① at different vertical distances（λ＝9μm，r＝0 cm）
![]()
图 10 70℃下远红外发射源①法向辐照强度的拟合结果（λ＝9μm）
Figure 10. Fitting result of the normal radiation intensity of the far-infrared emission source at 70℃ (λ＝9μm)
![]()
图 11 不同半径下远红外发射源功率密度（λ＝9μm、L＝6 cm）
Figure 11. Power density of far-infrared emitters① with different radii(λ＝9μm、L＝6 cm)
![]()
图 12 点状远红外发射源功率分布示意图
注：虚线同心圆为L＝3 cm时功率密度分布示意；虚线箭头表示远红外射线 单位：cm
Figure 12. Power distribution of point-shaped far-infrared emission source
Note: The dashed arrow indicates far infrared rays when the dashed concentric circle is L=3 cm, the distribution of far-infrared rays is shown
![]()
图 13 两个①号远红外发射源组合功率密度分布
Figure 13. Combined power density distribution of two No. ① far infrared emission sources
![]()
图 14 组合式远红外发射源的分布模型
Figure 14. Distribution model of combined far-infrared emission source
Note: A is the far-infrared emission source ① Unit: cm
![]()
图 15 组合式远红外发射源功率密度测定点分布
Figure 15. Distribution of power density measurement points of combined far-infrared emission source
![]()
图 16 组合式远红外发射源功率密度分布（λ＝9μm、T＝90℃、L＝3 cm）
Figure 16. Power density distribution of combined far-infrared emission source（λ＝9μm、T＝90℃、L＝3 cm）
表 1 r＝0 cm下①号红外发射源功率密度的衰减率
Table 1 The decay rate of power density of far-infraredemission source① at r＝0 cm
Temperature/℃ 110 100 90 80 70 Attenuation rate/% L＝1 cm 0.00 0.00 0.00 0.00 0.00 L＝2 cm 6.29 8.00 0.42 1.58 0.94 L＝3 cm 11.08 10.98 5.95 7.96 6.42 L＝4 cm 31.19 30.78 27.88 29.74 30.36 L＝5 cm 44.22 44.83 42.59 43.78 43.81 L＝6 cm 55.84 54.88 52.93 52.55 51.61 L＝7 cm 59.36 59.61 57.50 58.64 58.59 L＝8 cm 65.61 65.76 63.94 65.05 65.34 L＝9 cm 70.38 69.27 67.73 68.46 67.09 
下载: 导出CSV
表 2 不同温度下远红外发射源①法向辐照强度的拟合结果(λ＝9 µm)
Table 2 Fitting results of far-infrared emission source ① normalradiation intensity attenuation at different temperatures(λ＝9μm)
Irradiation temperature/℃ I Attenuation coefficient σ Goodness of fit R2 110 0.03248 -20.04 0.9600 100 0.02705 -20.22 0.9637 90 0.02276 -20.13 0.9697 80 0.01826 -20.15 0.9675 70 0.01428 -20.20 0.9748
下载: 导出CSV
表 3 L＝6 cm下远红外发射源功率密度的衰减率
Table 3 Decay rate of power density of rar-infrared emissionsource① at L＝6 cm
Temperature/℃ 110 100 90 80 70 Attenua-tion rate/% r＝1 cm 0.00 0.00 0.00 0.00 0.00 r＝2 cm 26.82 28.97 30.10 30.99 31.41 r＝3 cm 43.44 43.98 44.15 44.59 44.88 r＝4 cm 71.54 68.26 67.22 67.39 66.54 r＝5 cm 84.88 78.75 73.99 72.10 71.61 r＝6 cm 96.86 96.11 95.53 94.51 94.05 r＝7 cm 100.00 100.00 100.00 100.00 100.00 r＝8 cm 100.00 100.00 100.00 100.00 100.00
下载: 导出CSV
-
[1] 君轩.红外和远红外技术[J].世界橡胶工业, 2009, 36(1): 43-45. DOI: 10.3969/j.issn.1671-8232.2009.01.011 JUN Xuan. Infrared and far infrared technology[J]. World Rubber Industry, 2009, 36(1): 43-45. DOI: 10.3969/j.issn.1671-8232.2009.01.011
[2] 魏忠彩, 孙传祝, 张丽丽, 等.红外干燥技术在果蔬和粮食加工中的应用[J].食品与机械, 2016, 32(1): 217-220. https://www.cnki.com.cn/Article/CJFDTOTAL-SPJX201601057.htm WEI Zhongcai, SUN Zhuanzhu, ZHANG Lili, et al. Progress of infrared drying technology applied processing of fruits and vegetables and grain[J]. Food and Machinery, 2016, 32(1): 217-220. https://www.cnki.com.cn/Article/CJFDTOTAL-SPJX201601057.htm
[3] 申彩英, 李峰, 朴在林.香菇远红外连续干燥主要工艺参数的试验研究[J].农机化研究, 2006(9): 132-134. DOI: 10.3969/j.issn.1003-188X.2006.09.043 SHEN Caiying, LI Feng, PIAO Zailin. Research on the major technical parameters of far infrared dryer formushroom drying[J]. Agricultural Mechanization Research, 2006(9): 132-134. DOI: 10.3969/j.issn.1003-188X.2006.09.043
[4] 胡洁.果蔬远红外真空干燥技术研究[D].无锡: 江南大学, 2008. HU Jie. Research on Far-Infrared Vacuum Drying of Vegetables And Fruits[D]. Wuxi: Jiangnan university, 2008.
[5] 罗剑毅.稻谷的远红外干燥特性和工艺的实验研究[D].杭州: 浙江大学, 2006. LUO Jianyi. Study on Drying Characteristic And Technology of Paddy Dried on Far-Infrared[D]. Hangzhou: Zhejiang university, 2006.
[6] 李武强, 黄晓鹏, 马嘉伟, 等.响应面法优化桔梗切片远红外干燥工艺[J].林业机械与木工设备, 2019, 47(8): 47-51. https://www.cnki.com.cn/Article/CJFDTOTAL-LJMG201908012.htm LI Wuqiang, HUANG Xiaopeng, MA Jiawei, et al. Optimization of far infrared drying process of platycodongrandiflorum slice by response surface methodology[J]. Forestry Machinery and Woodworking Equipment, 2019, 47(8): 47-51. https://www.cnki.com.cn/Article/CJFDTOTAL-LJMG201908012.htm
[7] 刘宗博, 张钟元, 李大婧, 等.双孢菇远红外干燥过程中内部水分的变化规律[J].食品科学, 2016, 37(9): 82-86. https://www.cnki.com.cn/Article/CJFDTOTAL-SPKX201609017.htm LIU Zongbou, ZHANG Zhongyuan, LI Dajing, et al. Analysis of moisture change during far-infrared drying of agaricus bisporus[J]. Food Science, 2016, 37(9): 82-86. https://www.cnki.com.cn/Article/CJFDTOTAL-SPKX201609017.htm
[8] XU C, LI Y, YU H. Effect of far-infrared drying on the water state and glass transition temperature in carrots[J]. Journal of Food Engineering, 2014, 136: 42-47. DOI: 10.1016/j.jfoodeng.2014.03.022
[9] Nathakaranakule A, Jaiboon P, Soponronnarit S. Far-infrared radiation assisted drying of longan fruit[J]. Journal of Food Engineering, 2010, 100(4): 662-668. DOI: 10.1016/j.jfoodeng.2010.05.016
[10] GONG Y J, SUI Y, HAN C S, et al. Drying Ginseng Slices Using a Combination of Microwave and Far-Infrared Drying Techniques[J]. Journal of Biosystems Engineering, 2016, 41(1): 34-42. DOI: 10.5307/JBE.2016.41.1.034
[11] GUO S, CHI Y, GUO G. Recent achievements on middle and far-infrared second-order nonlinear optical materials[J]. Coordination Chemistry Reviews, 2017, 335: 44-57. DOI: 10.1016/j.ccr.2016.12.013
[12] LEE S, KIM Y, KANG S. Far-infrared emission of Ti-based oxides[J]. Journal of Molecular Structure, 2011, 987(1-3): 86-90. DOI: 10.1016/j.molstruc.2010.11.063
[13] 林少波, 郭小华, 毛海波, 等.竹炭远红外比辐射率测试条件研究[J].浙江林业科技, 2016(3): 28-30. DOI: 10.3969/j.issn.1001-3776.2016.03.006 LIN Shaobo, GUO Xiaohua, MAO Haibo, et al. Determination on far-infrared radiance of bamboo carbon under different condition[J]. Zhejiang Forestry Science and Technology, 2016(3): 28-30. DOI: 10.3969/j.issn.1001-3776.2016.03.006
[14] 修大鹏, 许建华, 周吉学, 等.远红外辐射黑瓷板研制及其性能研究[J].红外与激光工程, 2018, 47(11): 168-172. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201811024.htm XIU Dapeng, XU Jianhua, ZHOU Jixue, et al. Research on development and its performance of far-infraredradiation black porcelain plate[J]. Infrared and Laser Engineering, 2018, 47(11): 168-172. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201811024.htm
[15] YAO Longyang, FAN Liuping, DUAN Zhenhua. Effect of different pretreatments followed by hot-air and far-infrared drying on the bioactive compounds, physicochemical property and microstructure of mango slices[J]. Food Chemistry, 2020, 305: 125477. DOI: 10.1016/j.foodchem.2019.125477
[16] 赵丽娟, 王丹丹, 李建国, 等.枸杞真空远红外干燥特性及品质[J].天津科技大学学报, 2017, 32(5): 17-22. https://www.cnki.com.cn/Article/CJFDTOTAL-TQYX201705004.htm ZHAO Lijuan, WANG Dandan, LI Jianguo, et al. Drying characteristics and product quality of lyciumbarbarumin vacuum far-infrared drying process[J]. Journal of Tianjin University of Science and Technology, 2017, 32(5): 17-22. https://www.cnki.com.cn/Article/CJFDTOTAL-TQYX201705004.htm
[17] 黄飞, 杨涛, 徐坤.远红外涂料在烟叶烤房中的应用[J].农业科技与装备, 2010(6): 9-12, 16. https://www.cnki.com.cn/Article/CJFDTOTAL-NYJD201006006.htm HUANG Fei, YANG Tao, XU Kun. The application of far-iR coating during the flue-cured tobacco curing[J]. Agricultural Science and Technology and Equipment, 2010(6): 9-12, 16. https://www.cnki.com.cn/Article/CJFDTOTAL-NYJD201006006.htm
[18] LIU J, MENG J, LIANG J, et al. Effect of far infrared radiation ceramics containing rare earth additives on surface tension of water[J]. Journal of Rare Earths, 2014, 32(9): 890-894.
[19] 董宏宇.谷物干燥的红外辐射陶瓷材料及红外干燥机理研究[D].长春: 吉林大学, 2008. DONG Hongyu. Study on Infrared Ceramics Material and Drying Mechanism for Grain Drying[D]. Changchun: Jilin University, 2008.
[20] Mongpraneet S, Abe T, Tsurusaki T. Accelerated drying of welsh onion by far infrared radiation under vacuum conditions[J]. Elsevier, 2002, 55(2): 147-156.
[21] 文雅欣.远红外辐照-热风干燥八角的动力学及品质变化研究[D].广州: 华南理工大学, 2019. WEN Yayin. Study on kinetics and quality changes of illicium verum by far infrared radiation-hot Air (FIR-HA) drying[D]. Guangzhou: South China University of Technology, 2019.
[22] 万江静, 郑霞, 高振江, 等.红枣片远红外辐射干燥的干燥特性及V_C变化[J].食品工业科技, 2016, 37(8): 110-115. https://www.cnki.com.cn/Article/CJFDTOTAL-SPKJ201608016.htm WAN Jiangjing, ZHENG Xia, GAO Zhenjiang, et al. Far-infrared drying characteristics and the changes of VC of red jujube sheet[J]. Food Industry Technology, 2016, 37(8): 110-115. https://www.cnki.com.cn/Article/CJFDTOTAL-SPKJ201608016.htm
[23] 郭晨光..基于光线跟踪的高真实感红外三维场景仿真方法研究[D].西安: 西安电子科技大学, 2013. GUO Chenguang. Research on Method of High Realisttic Infrared Scence Simulation System Based on Ray Tracing[D]. Xi'an: Xi'an University of Electronic Science and Technology, 2013.
[24] 贾光亮, 宋雨宸.基于MODTRAN的红外大气透过率计算方法研究[J].电子世界, 2018(1): 71-72. https://www.cnki.com.cn/Article/CJFDTOTAL-ELEW201801043.htm JIA Guangliang, SONG Yuchen. Research on the calculation method of infrared atmospheric transmittance based on MODTRAN[J]. Electronic World, 2018(1): 71-72. https://www.cnki.com.cn/Article/CJFDTOTAL-ELEW201801043.htm
-
期刊类型引用(8)
1. 李明超，闫宽，张聪，胡记伟，欧锴，陈绪兵. 用于激光软钎焊温度测量的高精度红外辐射测温装置. 红外技术. 2025(01): 108-114 . 
本站查看
2. 秦沛强，聂传杰，吝曼卿，卢永雄，张岸勤，何家冰. 磷矿巷道岩爆风险的可视化及特征增强研究. 矿业研究与开发. 2025(02): 123-131 . 百度学术
3. 李贞，魏勇. 基于BP神经网络的红外测温补偿算法研究. 机械制造与自动化. 2023(01): 170-172+176 . 百度学术
4. 曾飞，胡文祥，高彦鑫，宋杰杰. 基于激光扫描的输送带横向跑偏检测系统. 制造业自动化. 2023(05): 21-24 . 百度学术
5. 杨帆，徐军，吴振生，孙明晓，金添. 基于Web端多节点红外热成像传感系统设计. 激光杂志. 2022(02): 154-157 . 百度学术
6. 何翔. 非接触式检测装置综合实验设计. 电子技术与软件工程. 2022(07): 148-151 . 百度学术
7. 谢彬棽. 基于双CAN总线的露天矿带式输送机速度自动化控制方法. 煤矿机械. 2022(12): 214-217 . 百度学术
8. 武存喜. 回转窑焚烧设备退火温度模糊自适应控制技术. 工业加热. 2022(12): 27-31 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 219
- HTML全文浏览量: 132
- PDF下载量: 43
- 被引次数: 10
