Infrared Image Fault Detection Method of Arrester Based on Improved YOLOv3
-
摘要: 针对现有的金属氧化物避雷器(Metal Oxide Arrester,MOA)红外图像故障检测方法存在识别精度低、检测速度较慢的问题,提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先,以Darknet19网络代替YOLOv3原始的Darknet53网络,并在特征学习时针对样本中不同MOA长宽比例,通过K-means聚类算法对MOA图像中的目标帧进行分析,重新聚类样本中心锚点框,得到合适的锚框数目和大小。最后,利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明,改进的YOLOv3模型识别精度达到96.3%,识别速度为6.75 ms。Abstract: Aiming at the problems of low recognition accuracy and slow detection speed of existing metal oxide arrester (MOA) infrared image fault detection methods, a MOA infrared image fault detection method based on improved YOLOv3 is proposed. Firstly, darknet19 network is used to replace the original darknet53 network of YOLOv3. During feature learning, the target frames in MOA images are analyzed by K-means clustering algorithm according to different MOA length width ratios in samples. The anchor frames in the center of samples are re clustered to get the appropriate number and size of anchor frames. Finally, the improved YOLOv3 model is used to complete the MOA infrared image fault detection. The experimental results show that the recognition accuracy of the improved model reaches 96.3%, and the recognition speed is 6.75ms.
-
Keywords:
- metal oxide arrester /
- YOLOv3 /
- deep learning /
- infrared image /
- K-means clustering
-
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。
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。
2. 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 Darknet19网络结构
Table 1 Network structure of Darknet19
Type Fitlers Size/stride Output Convolutional 32 3×3/1 256×256 Maxpool 2×2/2 128×128 Convolutional 64 3×3/1 128×128 Maxpool 2×2/2 64×64 Convolutional 128 3×3/1 64×64 Convolutional 64 1×1/1 64×64 Convolutional 128 3×3/1 64×64 Maxpool 2×2/2 32×32 Convolutional 256 3×3/1 32×32 Convolutional 128 1×1/1 32×32 Convolutional 256 3×3/1 32×32 Maxpool 2×2/2 16×16 Convolutional 512 3×3/1 16×16 Convolutional 256 1×1/1 16×16 Convolutional 512 3×3/1 16×16 Convolutional 256 1×1/1 16×16 Convolutional 512 3×3/1 16×16 Maxpool 2×2/2 8×8 Convolutional 1024 3×3/1 8×8 Convolutional 512 1×1/1 8×8 Convolutional 1024 3×3/1 8×8 Convolutional 512 1×1/1 8×8 Convolutional 1024 3×3/1 8×8 表 2 YOLOv3的先验框尺寸
Table 2 Prior box size of YOLOv3
Scale prediction Feature map size Anchor value Scale 1 13×13 (105, 153) (49, 250)(32, 132) Scale 2 26×26 (144, 43) (33, 78)(47, 56) Scale 3 52×52 (52, 25) (22, 34)(16, 15) 表 3 YOLOv3-Darknet19训练环境
Table 3 Training environment of YOLOv3-Darknet19
Term configuration CPU Core i9 10900K GPU INVIDIA RTX 3080 Operating system Microsoft Windows10 Parallel computing library Cuda10.0+Cudnn7.4.1.5 Image processing Python3.7 Deep learning framework Darknet19 -
[1] 任大江, 叶海鹏, 李建萍, 等. 一起500 kV金属氧化锌避雷器故障原因分析[J]. 电瓷避雷器, 2020(3): 127-132. https://www.cnki.com.cn/Article/CJFDTOTAL-DCPQ202302023.htm REN Dajiang, YE Haipeng, LI Jianping, et al. Analysis of the causes of a 500 kV metal zinc oxide arrester fault[J]. Insulators and Surge Arresters, 2020(3): 127-132. https://www.cnki.com.cn/Article/CJFDTOTAL-DCPQ202302023.htm
[2] 张明龙, 钱健, 王健, 等. 基于配电避雷器全电流监测的系统过电压告警研究[J]. 高压电器, 2020, 56(8): 256-260, 267. DOI: 10.13296/j.1001-1609.hva.2020.08.039 ZHANG Minglong, QIAN Jian, WANG Jian, et al. Research on over-voltage alarm based on full current monitoring of distribution arrester[J]. High Voltage Apparatus, 2020, 56(8): 256-260, 267. DOI: 10.13296/j.1001-1609.hva.2020.08.039
[3] 何贵先, 行鸿彦, 季鑫源, 等. 金属氧化物避雷器在线监测的谐波校正及研究[J]. 电子测量与仪器学报, 2017, 31(10): 1549-1554. https://www.cnki.com.cn/Article/CJFDTOTAL-DZIY201710004.htm HE Guixian, XING Hongyan, JI Xinyuan, et al. Harmonic correction and study for MOA on-line monitoring algorithm[J]. Journal of Electronic Measurement and Instrumentation, 2020(3): 127-132. https://www.cnki.com.cn/Article/CJFDTOTAL-DZIY201710004.htm
[4] 陈登义, 周雪会, 李鹏. 电涌保护器老化监测指标对比研究[J]. 电瓷避雷器, 2016(5): 90-93. https://www.cnki.com.cn/Article/CJFDTOTAL-DCPQ201605017.htm CHEN Dengyi, ZHOU Xuehui, LI Peng, et al. Comparative study about index of SPD aging monitoring[J]. High Voltage Apparatus, 2016(5): 90-93. https://www.cnki.com.cn/Article/CJFDTOTAL-DCPQ201605017.htm
[5] 陈丹, 傅中君, 柳益君, 等. 一种氧化锌避雷器阻性电流的提取方法[J]. 电测与仪表, 2019, 56(13): 117-122. https://www.cnki.com.cn/Article/CJFDTOTAL-DCYQ201913021.htm CHEN Dan, FU Zhongjun, LIU Yijun, et al. A method for the resistive current extraction of metal oxide surge arresters[J]. Electrical Measurement & Instrumentation, 2019, 56(13): 117-122. https://www.cnki.com.cn/Article/CJFDTOTAL-DCYQ201913021.htm
[6] 李艳鹏, 晋涛, 梁基重, 等. 红外技术在避雷器绝缘缺陷检测中的应用[J]. 电测与仪表, 2019, 56(20): 87-90. https://www.cnki.com.cn/Article/CJFDTOTAL-DCYQ201920015.htm LI Yanpeng, JIN Tao, LIANG Jichong, et al. The application of infrared diagnosis in detection of lightning arrester insulation defects[J]. Electrical Measurement & Instrumentation, 2019, 56(20): 87-90. https://www.cnki.com.cn/Article/CJFDTOTAL-DCYQ201920015.htm
[7] 李红光, 于若男, 丁文锐. 基于深度学习的小目标检测研究进展[J/OL]. 航空学报: 1-19, [2020-12-19]. http://kns.cnki.net/kcms/detail/11.1929.V.20201026.0947.004.html. LI Hongguang, YU Ruonan, DING Wenrui. Research development of small object tracking based on deep learning[J/OL]. Acta Aeronautica et Astronautica Sinica: 1-19, [2020-12-19]. http://kns.cnki.net/kcms/detail/11.1929.V.20201026.0947.004.html.
[8] 黄继鹏, 史颖欢, 高阳. 面向小目标的多尺度Faster-RCNN检测算法[J]. 计算机研究与发展, 2019, 56(2): 319-327. https://www.cnki.com.cn/Article/CJFDTOTAL-JFYZ201902008.htm HUANG Jipeng, SHI Yinhuan, GAO Yang. Multi-scale faster-RCNN algorithm for small object detection[J]. Journal of Computer Research and Development, 2019, 56(2): 319-327. https://www.cnki.com.cn/Article/CJFDTOTAL-JFYZ201902008.htm
[9] 赵振兵, 崔雅萍, 戚银城, 等. 基于改进的R-FCN航拍巡线图像中的绝缘子检测方法[J]. 计算机科学, 2019, 46(3): 159-163. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA201903024.htm ZHAO Zhenbing, CUI Yaping, QI Yincheng, et al. Detection method of insulator in aerial inspection image based on modified R-FCN[J]. Computer Science, 2019, 46(3): 159-163. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA201903024.htm
[10] 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 Yao, et al. Intelligent diagnosis method of infrared image for transformer equipment based on improved faster RCNN[J]. Southern Power System Technology, 2019, 13(12): 79-84. https://www.cnki.com.cn/Article/CJFDTOTAL-NFDW202110012.htm
[11] 刘云鹏, 裴少通, 武建华, 等. 基于深度学习的输变电设备异常发热点红外图片目标检测方法[J]. 南方电网技术, 2019, 13(2): 27-33. https://www.cnki.com.cn/Article/CJFDTOTAL-NFDW201902006.htm LIU Yunpeng, PEI Shaotong, WU Jianhua, et al. Deep learning based target detection method for abnormal hot spots infrared images of transmission and transformation equipment[J]. Southern Power System Technology, 2019, 13(2): 27-33. https://www.cnki.com.cn/Article/CJFDTOTAL-NFDW201902006.htm
[12] 赵琰, 刘荻, 赵凌君. 基于YOLOv3的复杂环境红外弱小目标检测[J]. 航空兵器, 2019, 26(6): 29-34. https://www.cnki.com.cn/Article/CJFDTOTAL-HKBQ201906006.htm ZHAO Yan, LIU Di, ZHAO Lingjun. Infrared dim and small target detection based on YOLOv3 in complex environment[J]. Aero Weaponry, 2019, 26(6): 29-34. https://www.cnki.com.cn/Article/CJFDTOTAL-HKBQ201906006.htm
[13] 罗元, 王薄宇, 陈旭. 基于深度学习的目标检测技术的研究综述[J]. 半导体光电, 2020, 41(1): 1-10. https://www.cnki.com.cn/Article/CJFDTOTAL-BDTG202001001.htm LUO Yuan, WANG Boyu, CHEN Xu. Research progress of target detection technology based on deep learning[J]. Semiconductor Optoelectronics, 2020, 41(1): 1-10. https://www.cnki.com.cn/Article/CJFDTOTAL-BDTG202001001.htm
[14] 王永平, 张红民, 彭闯, 等. 基于YOLO v3的高压开关设备异常发热点目标检测方法[J]. 红外技术, 2020, 42(10): 983-987. http://hwjs.nvir.cn/article/id/hwjs202010011 WANG Yongping, ZHANG Hongmin, PENG Chuang, et al. The target detection method for abnormal heating point of high-voltage switchgear based on YOLO v3[J]. Infrared Technology, 2020, 42(10): 983-987. http://hwjs.nvir.cn/article/id/hwjs202010011
[15] 王芳, 李传强, 伍博, 等. 基于多尺度特征融合的红外小目标检测方法[J]. 红外技术, 2021, 43(7): 688-695. http://hwjs.nvir.cn/article/id/483e7824-ea0f-4381-96b7-22257615d475 WANG Fang, LI Chuanqiang, WU Bo, et al. Infrared small target detection method based on multi-scale feature fusion[J]. Infrared Technology, 2021, 43(7): 688-695. http://hwjs.nvir.cn/article/id/483e7824-ea0f-4381-96b7-22257615d475
[16] 刘云鹏, 张喆, 裴少通, 等. 基于深度学习的红外图像中劣化绝缘子片的分割方法[J]. 电测与仪表, 2022, 59(9): 63-68. https://www.cnki.com.cn/Article/CJFDTOTAL-DCYQ202209009.htm LIU Yunpeng, ZHANG Zhe, PEI Shaotong, et al. Faulty insulator segmentation method in infrared image based on deep learning[J]. Electrical Measurement & Instrumentation, 2022, 59(9): 63-68. https://www.cnki.com.cn/Article/CJFDTOTAL-DCYQ202209009.htm
[17] 中华人民共和国国家发展和改革委员会. 带电设备红外诊断应用规范[S]. DL/T 664-2008, [2008-11-01]. National Development and Reform Commission. Application Rules of infrared diagnosis for live electrical equipment[S]. DL/T 664-2008, [2008-11-01].
[18] 汪烈兵, 姜雄飞, 石春光, 等. 基于图像滤波与Hough变换的红外弱小目标检测[J]. 红外技术, 2020, 42(7): 683-687. http://hwjs.nvir.cn/article/id/hwjs202007012 WANG Liebing, JIANG Xiongfei, SHI Chunguang, et al. Infrared small target detection based on image filtering and hough transform[J]. Infrared Technology, 2020, 42(7): 683-687. http://hwjs.nvir.cn/article/id/hwjs202007012
[19] Redmon J, Farhadi A. YOLOv3: An incremental improvement [J/OL]//Computer Science, 2018 https://arxiv.org/abs/1804.02767.
[20] CHENG G, LIU L. Survey of image segmentation methods based on clustering[C]//IEEE International Conference on Information Technology (ICIBA), 2020: 1111-1115.
-
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)