核猫群红外图像异常检测方法在电力智能巡检中的应用

胡洛娜, 彭云竹, 石林鑫

胡洛娜, 彭云竹, 石林鑫. 核猫群红外图像异常检测方法在电力智能巡检中的应用[J]. 红外技术, 2018, 40(9): 908-914.
引用本文: 胡洛娜, 彭云竹, 石林鑫. 核猫群红外图像异常检测方法在电力智能巡检中的应用[J]. 红外技术, 2018, 40(9): 908-914.
HU Luona, PENG Yunzhu, SHI Linxin. Anomaly Detection Method of Infrared Images Based on Kernel Cat Swarm Optimization Clustering with Application in Intelligent Electrical Power Inspection[J]. Infrared Technology , 2018, 40(9): 908-914.
Citation: HU Luona, PENG Yunzhu, SHI Linxin. Anomaly Detection Method of Infrared Images Based on Kernel Cat Swarm Optimization Clustering with Application in Intelligent Electrical Power Inspection[J]. Infrared Technology , 2018, 40(9): 908-914.

核猫群红外图像异常检测方法在电力智能巡检中的应用

详细信息
  • 中图分类号: TN219

Anomaly Detection Method of Infrared Images Based on Kernel Cat Swarm Optimization Clustering with Application in Intelligent Electrical Power Inspection

  • 摘要: 针对传统基于聚类的红外图像异常检测方法对电力设备红外图像多层分割效果较差,异常检测有效性较低等问题,提出了一种核猫群电力红外图像异常检测方法,通过核猫群聚类实现电力设备红外图像的异常检测.首先,对红外图像进行RGB值校正,并将校正的RGB值映射到Lab空间,获取聚类所需数据集.核猫群聚类方法中的每一只猫代表着一种聚类划分,用聚类中心点的坐标来对猫的位置进行编码.利用搜寻模式和追踪模式对猫群中猫的位置进行更新,采用核函数引导的相似性度量构造目标函数,通过迭代优化获得电力设备红外图像的多层分割聚类结果,最终发现电力设备中的异常发热区域.实验通过与k-means、fuzzy c-means和传统猫群聚类进行定量对比,结果表明,所提方法多层分割效果更好,具有更佳的异常检测能力.
  • 期刊类型引用(5)

    1. 徐航,白晓东,张喜涛. 基于视线角速度精度的导引系统抗干扰性能评估指标研究. 航空兵器. 2024(01): 66-70 . 百度学术
    2. 张楠,陈长胜,孙靖国,梁雪超. 基于桶滚机动和诱饵投射的红外空空导弹对抗策略研究(英文). 红外技术. 2022(03): 236-248 . 本站查看
    3. 孙华为,周俊,冯颖. 基于红外干扰弹特征的目标综合复杂度算法研究. 光电技术应用. 2022(03): 43-47 . 百度学术
    4. 孙志朋,赵世明,孙致月. 红外成像制导半实物仿真安装误差分析与修正. 红外技术. 2020(02): 139-143 . 本站查看
    5. 张喜涛,白晓东,闫琳,王炜强. 红外空空导弹抗干扰性能评估指标体系研究. 红外技术. 2020(11): 1089-1094+1102 . 本站查看

    其他类型引用(0)

计量
  • 文章访问数:  135
  • HTML全文浏览量:  17
  • PDF下载量:  13
  • 被引次数: 5
出版历程

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