基于深度残差UNet网络的电气设备红外图像分割方法

刘赫, 赵天成, 刘俊博, 矫立新, 许志浩, 袁小翠

刘赫, 赵天成, 刘俊博, 矫立新, 许志浩, 袁小翠. 基于深度残差UNet网络的电气设备红外图像分割方法[J]. 红外技术, 2022, 44(12): 1351-1357.
引用本文: 刘赫, 赵天成, 刘俊博, 矫立新, 许志浩, 袁小翠. 基于深度残差UNet网络的电气设备红外图像分割方法[J]. 红外技术, 2022, 44(12): 1351-1357.
LIU He, ZHAO Tiancheng, LIU Junbo, JIAO Lixin, XU Zhihao, YUAN Xiaocui. Deep Residual UNet Network-based Infrared Image Segmentation Method for Electrical Equipment[J]. Infrared Technology , 2022, 44(12): 1351-1357.
Citation: LIU He, ZHAO Tiancheng, LIU Junbo, JIAO Lixin, XU Zhihao, YUAN Xiaocui. Deep Residual UNet Network-based Infrared Image Segmentation Method for Electrical Equipment[J]. Infrared Technology , 2022, 44(12): 1351-1357.

基于深度残差UNet网络的电气设备红外图像分割方法

基金项目: 

国网吉林省电力有限公司揭榜挂帅项目 2021JBGS-06

详细信息
    作者简介:

    刘赫(1984-),男,吉林长春人,高级工程师,研究方向为电力设备故障检测与诊断。E-mail: liuhehe1984@163.com

    通讯作者:

    赵天成(1992-),男,吉林长春人,工程师,硕士,研究方向为电力设备故障检测与诊断。E-mail: 583107503@qq.com

  • 中图分类号: TN219;TM452

Deep Residual UNet Network-based Infrared Image Segmentation Method for Electrical Equipment

  • 摘要: 红外图像处理是实现电气故障诊断的有效手段,而电气设备分割是故障检测的关键环节。针对复杂背景下红外图像电气设备分割难问题,本文采用深度残差网络与UNet网络相结合,深度残差网络替代VGG16对UNet网络进行特征提取和编码,构建深度残差系列Res-Unet网络实现对电气设备的分割。以电流互感器和断路器两种电气设备红外图像分割为例测试Res-Unet网络分割效果,并与传统的UNet网络和Deeplabv3+网络进行对比。通过对数量为876的样本进行测试,实验结果表明,Res18-UNet能够准确地分割电气设备,对电流互感器和断路器的分割准确率超93%,平均交并比大于89%,且分割准确性优于UNet及Deeplabv3+网络模型,为实现电气故障智能诊断奠定基础。
    Abstract: Infrared thermal image processing is an effective method for detecting defects in electrical equipment. Aiming at the problem of electrical equipment segmentation in infrared thermal images with a complex background, in this study we propose a deep residual UNet network for infrared thermal image segmentation. Using a deep residual network to replace VGG16 to perform feature extraction and coding for the UNet network, a deep residual series UNET network was constructed to segment electrical equipment. To validate the effectiveness of the Res-UNet network, infrared images, including current transformers and circuit breakers, were used to test the segmentation results and were compared with the traditional UNet and Deeplabv3+ networks. The networks were tested using 876 images. The experimental results show that RES18-UNET can accurately segment electrical equipment; the segmentation precision of current transformers and circuit breakers is greater than 93%, and the mean intersection over union (MIoU) is greater than 89%. Our method obtains more accurate segmentation results than UNet and Deeplabv3+, setting the basis for intelligent diagnosis of electrical faults.
  • 相较于传统的CCD器件,电子倍增CCD(electron multiplying charge coupled device, EMCCD)器件在弱光条件下表现出色,能够捕捉微弱信号并在每个像素上进行多次电子累积,从而显著提高信噪比,有效地增强微光条件下的图像质量,使其成为在科学、医学、天文学等领域中的重要选择[1-4]

    偏振成像能够提供与目标表面的含水量、纹理、电导率、粗糙度等表面特性相关的偏振信息,利用目标与背景间偏振特性的差异,可以凸显隐蔽在自然背景中的军事目标。偏振成像技术可以凸显人造目标,在一定程度上弥补传统军事侦察的不足。通常情况下,人造目标物体相比于自然物体往往具有较高的偏振度,尤其反映在电介质材料上,如塑料、玻璃和某些金属板[5-8]。因此,对于对典型目标的军事打击目标如坦克、装甲车、无人机、自行榴弹炮、帐篷等,通过偏振成像技术,有效利用偏振矢量信息,就可以增强图像对比度,提高信噪比,从而在军事应用上可以改善目标探测成像的质量、提高探测精度,为及时发现敌方目标提供有效的手段[9-11]

    偏振成像探测技术作为一种新型的光电探测技术,在目标识别及处理方面相对于传统的成像模式有着独特的优势,对未来战争中应对日益复杂战场环境下目标侦察与识别具有重要的意义[12-15]

    传统偏振单元结构受到偏振单元透光率的影响[14],在低照度条件下无法获得足够的光强度信息,为了解决器件在低照度条件下成像的问题,前期研究中[5]通过引入无偏振单元结构,使器件在10-1 lx条件下具备成像能力。为了进一步提升器件在低照度条件下的成像能力,在文献[5]的研究基础上优化设计了新的偏振单元阵列,该结构包含更多的无偏振单元。此外,为解决新型偏振-微光EMCCD器件在低照度条件下易受到强光干扰而产生光晕的问题,在EMCCD器件像元中设计了鞍形P阱纵向抗光晕结构,从而实现抗晕目的。

    对于偏振成像的解算过程,通常利用当前像元及其周围像元的响应直接或间接得到该像元对不同方向的偏振分量或偏振态,进而解算出偏振信息,完成偏振成像解算。微纳偏振光栅单元集成于成像器件表面,每个光敏单元均对应一个偏振单元。

    图 1所示为传统2×2偏振单元阵列设计[14],包含4个偏振方向(0°、45°、90°、135°),同时在相邻偏振单元之间,设计了一定宽度的金属光栅作为隔离,避免相邻像元之间的串扰。考虑到低照度探测的需求,需要设计白光通道增加进光量,文献[5]中设计了图 2所示的像元阵列结构,该设计在3×3阵列中引入无偏振单元结构,可增强集成偏振器件对微光的响应[5]

    图  1  传统2×2偏振单元阵列设计[14]
    Figure  1.  Design of unit array with four polarization directions[14]
    图  2  引入无偏振单元的3×3阵列设计[5]
    Figure  2.  Design of 3×3 polarization unit array with non polarization units[5]

    但3×3阵列单元设计仍存在问题,对于无偏振单元的像素,在解算其偏振信息时,需要采用周围8个像素的偏振信息进行加权平均得到,在进行原始偏振图像预处理时,会存在预处理出不同偏振角度的超像元阵列,进而使得后期的偏振信息解算过程变得复杂与困难。

    结合图 1图 2的设计思想,优化设计了图 3所示的像元阵列结构。同样具备4个偏振方向(0°、45°、90°、135°)和无偏振单元(即白光通道),每个重复单元包含2个偏振方向(0°、135°或者90°、45°)和2个无偏振单元。该优化的偏振阵列结构的优势在于,既保留了白光通道,又使得还原后的像素超像元结构是固定的,便于图像处理。

    图  3  优化后的偏振单元阵列设计
    Figure  3.  Optimized polarization unit array design

    入射到金属微纳光栅表面的光可以分解为电矢量垂直于光栅方向的TM波和电矢量平行于光栅方向的TE波。根据理论分析,金属微纳光栅的偏振性能与金属光栅的周期、宽度和栅槽深度密切相关,而衬底的选择直接影响消光比的设置。

    由于Si片在550 nm波长处的折射率高达4.09,存在较大的反射能量损失。为了进一步提高偏振-微光结构的透光率,在Si基片与金属光栅之间引入单层或多层减反射膜,能够有效减少表面反射损失,提高光栅的透过率。根据光学薄膜理论,对于理想的减反射膜,应使用折射率小于1.99的材料。为此,可在金属光栅和Si基片之间加入低折射率SiO2介质层作为减反射膜层,设计的带有SiO2介质层的金属光栅结构示意图如图 4所示。

    图  4  在金属光栅和Si基片之间添加SiO2的结构示意图
    Figure  4.  Schematic diagram of adding SiO2 between metal grating and Si substrate

    通过改变SiO2厚度,能实现对特定波长的增透效果。当固定光栅周期是100 nm,金属厚度100 nm,占空比0.5时,SiO2厚度对透过率影响明显。在不引入SiO2介质层时,在可见光波段TM波的透过率较低,在400 nm波长处其透过率小于0.6,由于EMCCD器件结构影响,SiO2介质膜的厚度不小于4 μm,此时上下表面的光程差较大,可以对较宽的波长引起TM波透过率的干涉增强,起到增透膜的作用。综合评判,选择的SiO2介质层厚度为4.1 μm,可在较宽光谱范围内获得响应增透效果。此时,膜系的反射率曲线如图 5所示,在400~1100 nm区间内的平均反射率为5.2%。通过设计分析可知,在Si基片和金属光栅之间加一层低折射率的SiO2介质层作为减反射膜,可有效提高TM偏振光的透过率和TE偏振光的反射率,同时也会消弱金属栅条与Si基片界面处激发的表面等离子体,金属光栅的偏振性能得到明显提升。

    图  5  膜系反射率曲线
    Figure  5.  Film reflectance curve

    等离子体干法刻蚀方法流程如图 6所示。首先,将SiO2基底进行彻底清洗干燥,以保证表面无杂质且与金属可以良好粘附;然后,采用磁控溅射的方法镀铝,厚度为100 nm,相比于其他镀膜方法,磁控溅射具有更强的附着力,避免小线条在后端工序中脱离表面;随后,在样品表面旋涂电子束胶ARP6200,并进行图形曝光、显影等步骤,得到刻蚀掩模;然后采用干法刻蚀对铝膜进行刻蚀,将电子束胶上的图形传递至铝膜;最后,利用氧等离子体处理表面残胶,得到最终样品。

    图  6  偏振光栅加工工艺流程
    Figure  6.  Polarization grating processing process flowchart

    本方法对单个偏振方向的光栅结构进行加工与测试,结果如图 7所示。

    图  7  单个偏振方向的光栅结构SEM图像
    Figure  7.  Polarization grating SEM image

    偏振光栅结构测试结果如下:光栅栅高99.25 nm,周期98.81 nm,占空比52%,满足光栅结构设计要求。经测试,单个偏振方向的光栅结构消光比为82:1,透过率为52%。

    在验证单个偏振单元后,在正式片中引入无偏振光栅的区域,其版图如图 8(a)所示。加工过程中电子束胶样品的电镜图如图 8(b)~(d)所示。

    图  8  偏振-微光结构版图及SEM图像
    Figure  8.  Polarization low light structure layout and SEM images

    偏振光栅区域图形清晰可见,各个方向条纹均满足设计要求,无偏振光栅区域表面平整光滑,偏振光栅工艺的引入未对像素表面产生影响。如图 9所示为最终工艺完成的带偏振-微光结构的EMCCD晶圆,经测试,阵列式光栅消光比为62:1,透过率为58.4%。

    图  9  带偏振-微光结构的EMCCD晶圆
    Figure  9.  EMCCD wafer with polarization low light structure

    设计的EMCCD器件光敏单元具有抗晕功能。信号电荷在三面被PStop区域隔离的沟阻结构PD像元内可以有效积分,像元制作在P阱的内部,一方面有利于抗晕结构的制作,同时也提高信号电荷转移速度。

    图 10所示为纵向抗晕机理示意图,入射光产生的电荷存储在N型埋沟势阱之中,当产生的电荷数量超过势阱容量时,若衬底施加一定的电压,过剩的电荷将越过鞍形P阱势垒,泄放进入N型衬底,防止N型埋沟内的电荷泄入至垂直寄存器中,从而实现抗晕目的。因此,光敏区鞍形P阱的浓度、结深将直接影响器件的抗晕和弥散特性,是本款EMCCD器件制造中的关键工艺之一。

    图  10  纵向抗晕机制示意图
    Figure  10.  Schematic diagram of longitudinal anti halo mechanism

    像元纵向抗晕设计不仅要考虑PD、鞍形P阱、N型衬底之间形成的有效电荷信号释放通路,同时也必须考虑鞍形P阱对寄存器单元及放大器单元的影响,需在VAB区域外形成浓度分布均匀的P型区,因此需要采用高能(大于500 keV)离子注入及长时间(大于600 min)高温(大于1100℃)推阱的方式制作鞍形P阱。由于长时间高温工艺对硼原子的扩散影响很大,因此根据设计要求,必须通过精细的工艺仿真,同时结合工艺实验,来确定P阱的注入能量和剂量。鞍形P阱工艺的重点在于高能离子注入均匀性控制,需要开展束流速度、偏转角度、扫描速度等参数的优化实验。对P阱工艺的评价手段主要是通过二次离子质谱(secondary ion mass spectrometry, SIMS)测试和扩展电阻(spreading resistance profile, SRP)测试,来获得P阱的杂质浓度、深度、均匀性等信息。

    为了确保寄存器和放大器区域掺杂足够均匀,同时满足纵向抗晕效果。器件制造过程将采用3次离子注入及高温推阱的方式来制造鞍形P阱。

    第一次阱注入伴随长时间推阱,用以确保硼在工作区域均匀分布,同时在抗光晕区,当衬底为0 V电压时,衬底与光电二极管之间建立起势垒。如图 11所示为第一次推阱后光敏单元的浓度分布图。

    图  11  第一次推阱后光敏单元浓度分布图
    Figure  11.  Concentration distribution map of photosensitive units after the first trap push

    第二次及第三次高能注入伴随短时间推阱,用以确保抗光晕控制具有大的跨导。如图 12所示为第三次推阱后光敏单元的浓度分布图。如图 13所示为光电二极管1 μm2面积内的电荷Npd与衬底电压Vsub之间的关系,可以看到在衬底电压Vsub在20 V左右时,PD内的电荷将通过衬底全部泄放干净,若此电压值设计较低,会影响PD的满阱容量,若电压值设计太高,则会增大器件的整体功耗。

    图  12  第三次推阱后光敏单元浓度分布图
    Figure  12.  Concentration distribution diagram of photosensitive units after the third push well
    图  13  光电二极管1 μm2面积内的电荷Npd与衬底电压Vsub之间的关系
    Figure  13.  The relationship between the charge Npd within the 1 μm2 area of the photodiode and the substrate voltage Vsub

    基于偏振EMCCD器件设计的偏振成像模组如图 14所示,相机分辨率为1024×1024,波段为400~1100 nm,光栅透过率为58%,消光比为62。并选择在晴朗夜晚环境下进行偏振成像试验,环境照度在10-2 lx量级。通过偏振成像模组采集原始图像,解算出图像中的光强度、偏振度和偏振角信息,然后进行灰度级融合和彩色融合,成像结果如图 15所示。

    图  14  偏振成像模组(左)及偏振EMCCD器件(右)
    Figure  14.  Polarization imaging module(left) and polarization EMCCD device(right)
    图  15  成像结果
    Figure  15.  Imaging results

    从偏振成像效果对比中可以看出,光强度图像无法识别的黑色车辆和路面,偏振度图和偏振角图可以提炼出车辆的轮廓和纹理结构等细节信息;车辆上不同材质的部件在偏振度和偏振角图像中可以被明显区分,同一材质的玻璃车窗因不同的镀膜而产生不同的偏振信息;通过灰度级融合和彩色融合后的图像,细节信息更加丰富,通过凸显偏振目标的颜色,可以有效增大背景与目标间的差异。

    为了对比3×3阵列偏振结构与新型偏振-微光结构在低照度条件下的成像能力,在0.1 lx照度条件下对两种结构的图像传感器分别进行测试并解算出图像中的光强度信息,如图 16所示,相比于3×3阵列偏振结构,新型偏振-微光结构在低照度条件下可以获得更多的光强度信息,可以更好地观测到目标信息。

    图  16  不同偏振结构成像结果对比
    Figure  16.  Comparison of imaging results with different polarization structures

    同时,对器件抗光晕性能进行了测试,如图 17(a)为器件在10-2 lx量级微光条件下,面对一个10 mm×10 mm正方形发光光源拍摄的照片,此时光源照度为10 lx,可以看到器件无明显光晕外溢,整体抗光晕效果较好。如图 17(b)为关闭抗光晕功能时的图像,可以看到明显的光晕现象。

    图  17  器件抗光晕性能测试结果
    Figure  17.  Test results of device anti halo performance

    本文采用一种新型偏振-微光单元阵列,在低照度条件下实现了对物体的偏振成像,相比于3×3阵列偏振结构[5]在10-1 lx量级环境照度下获取目标细节信息,新型偏振-微光结构具备更多的白光通道,工作环境照度能够达到10-2 lx量级,可以区分肉眼难以区分的物体,观测到更多物体信息,同时在器件光敏单元制作了纵向抗光晕结构,实现了器件光晕抑制,减少了器件在弱光条件下易被强光致盲的劣势,提升了器件在复杂环境中的工作能力。

  • 图  1   样本增强示例

    Figure  1.   Example of sample images enhancement

    图  2   样本图像标签

    Figure  2.   Labels of image samples

    图  3   UNet网络结构

    Figure  3.   UNet network structure

    图  4   ResNet网络结构

    Figure  4.   ResNet network structure

    图  5   改进UNet网络结构

    Figure  5.   Improved UNet network structure

    图  6   网络训练过程损失函数对比

    Figure  6.   Comparison of loss functions for network training

    图  7   简单背景下电流互感器分割结果

    Figure  7.   Segmentation results of current transformer with simple background

    图  8   复杂背景下电流互感器分割结果

    Figure  8.   Segmentation results of current transformer with complex background

    图  9   背景干扰下断路器分割结果

    Figure  9.   Segmentation results of circuit breaker image with complex background

    图  10   局部遮挡下断路器分割结果

    Figure  10.   Segmentation results of circuit breaker with local occlusion

    表  1   不同分割方法得到的MIOU值

    Table  1   The MIOU values based on different segmentation methods

    Image and network Deeplabv3+ UNet Res18-UNet Res34-UNet Res50-UNet
    Fig.8 0.7893 0.8209 0.9315 0.7798 0.6218
    Fig.9 0.7768 0.7871 0.8839 0.8184 0.6637
    Fig.10 0.7919 0.8309 0.8936 0.7301 0.6328
    Fig.11 0.7888 0.8268 0.9057 0.7165 0.6581
    下载: 导出CSV

    表  2   测试数据集的准确率

    Table  2   The accuracy of the test dataset

    network Segmentation object IoU MIoU Precision
    Deeplabv3+ Current transformer 0.79 0.8011 0.90
    Circuit breaker 0.67 0.84
    Background 0.95 0.97
    UNet Current transformer 0.8023 0.8272 0.9150
    Circuit breaker 0.7179 0.8960
    Background 0.9615 0.9805
    Res18-UNet Current transformer 0.8623 0.8963 0.9470
    Circuit breaker 0.8579 0.9347
    Background 0.9686 0.9907
    Res34-UNet Current transformer 0.6306 0.7139 0.7110
    Circuit breaker 0.6064 0.7396
    Background 0.9047 0.9872
    Res50-UNet Current transformer 0.4747 0.5906 0.5174
    Circuit breaker 0.4249 0.3700
    Background 0.8722 0.9689
    下载: 导出CSV
  • [1] 康龙. 基于红外图像处理的变电站设备故障诊断[D]. 北京: 华北电力大学, 2016.

    KANG Long. Substation Equipment Fault Diagnosis Based on Infrared Image[D]. Beijing: North China Electric Power University, 2016.

    [2] 曾亮. 基于红外图像的变电站设备故障精准定位方法的研究[D]. 重庆: 重庆理工大学, 2019.

    ZENG Liang. Research on Precise Fault Location Method of Substation Equipment Based on Infrared Image[D]. Chongqing: Chongqing University of Technology, 2019.

    [3]

    ZOU H, HUANG F. A novel intelligent fault diagnosis method for electrical equipment using infrared thermography[J]. Infrared Physics & Technology, 2015, 73: 29-35.

    [4] 周建国, 雷民, 杨褚明, 等. 带电设备红外诊断应用规范: DL/T 664-2008. [S]. 国家能源局, [2016-12-05].

    ZHOU Jianguo, LEI Min, YANG Chuming, et al. Application Specification for Infrared Diagnosis of Live Equipment[S]. National Energy Administration, [2016-12-05].

    [5] 许志浩, 郑诗泉, 康兵, 等. 基于三相自搜寻比较法的电气设备过热故障识别方法[J]. 红外技术, 2021, 43(11): 1112-1118. http://hwjs.nvir.cn/article/id/35d8419e-d42a-4472-bc86-a4292e5976a4

    XU Zhihao, ZHENG Shiquan, KANG Bing, et al. Overheat fault identification method for electrical equipment based on three-phase self-searching comparison method[J]. Infrared Technology, 2021, 43(11): 1112-1118. http://hwjs.nvir.cn/article/id/35d8419e-d42a-4472-bc86-a4292e5976a4

    [6]

    Rahmani A, Haddadnia J, SeryasatO. Intelligent fault detection of electrical equipment in ground substations using thermo vision technique[C]//2010 2nd International Conference on Mechanical and Electronics Engineering, 2010: V2-150-V2-154.

    [7]

    LIN K C, LAI C S. Fault recognition system of electrical components in scrubber using infrared images[C]//International Conference on Knowledge-Based and Intelligent Information and Engineering Systems, 2003: 1303-1310.

    [8] 王晶, 姚邹静, 赵春晖. 基于红外图像时空特征的电力设备故障诊断[J]. 控制工程, 2021, 28(8): 1683-1690. https://www.cnki.com.cn/Article/CJFDTOTAL-JZDF202108025.htm

    WANG Jing, YAO Zoujing, ZHAO Chunhui. A fault diagnosis method for power equipment based on spatiotemporal features of infrared images[J]. Control Engineering of China, 2021, 28(8): 1683-1690. https://www.cnki.com.cn/Article/CJFDTOTAL-JZDF202108025.htm

    [9] 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-NFDW201912012.htm

    LI Wenpu, XIE Ke, LIAO Xiao, 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-NFDW201912012.htm

    [10] 王旭红, 李浩, 樊绍胜, 等. 基于改进SSD的电力设备红外图像异常自动检测方法[J]. 电工技术学报, 2020, 35(S1): 302-310. https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS2020S1034.htm

    WANG Xuhong, LI Hao, FAN Shaosheng, et al. Infrared image anomaly automatic detection method for power equipment based on improved single shot multi box detection[J]. Transactions of China Electrotechnical Society, 2020, 35(S1): 302-310. https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS2020S1034.htm

    [11] 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 object detection model for power equipment based on improved YOLOv3[J]. Transactions of China Electrotechnical Society, 2021, 36(7): 1389-1398. https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS202107009.htm

    [12] 黄新宇, 张洋, 王黎明, 等. 基于Mask-RCNN算法的复合绝缘子串红外图像分割与温度读取[J]. 高压电器, 2021, 57(9): 87-94. https://www.cnki.com.cn/Article/CJFDTOTAL-GYDQ202109012.htm

    HUANG Xinyu, ZHANG Yang, WANG Liming, et al. Infrared image segmentation and temperature reading of composite insulator strings based on mask⁃RCNN algorithm[J]. High Voltage Apparatus, 2021, 57(9): 87-94. https://www.cnki.com.cn/Article/CJFDTOTAL-GYDQ202109012.htm

    [13] 李文璞, 毛颖科, 廖逍, 等. 基于旋转目标检测的变电设备红外图像电压致热型缺陷智能诊断方法[J]. 高电压技术, 2021, 47(9): 3246-3253. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ202109022.htm

    LI Wenpu, MAO Yingke, LIAO Xiao, et al. Intelligent diagnosis method of infrared image for substation equipment voltage type thermal defects based on rotating target detection [J]. High Voltage Apparatus, 2021, 47(9): 3246-3253. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ202109022.htm

    [14] 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

    [15] 袁刚, 许志浩, 康兵, 等. 基于DeepLabv3+网络的电流互感器红外图像分割方法[J]. 红外技术, 2021, 43(11): 1127-1134. http://hwjs.nvir.cn/article/id/b9df2f53-2244-471b-b0ec-42159cfaa654

    YUAN Gang, XU Zhihao, KANG Bing, et al. Deep Labv3+ network-based infrared image segmentation method for current transformer[J]. Infrared Technology, 2021, 43(11): 1127-1134. http://hwjs.nvir.cn/article/id/b9df2f53-2244-471b-b0ec-42159cfaa654

    [16] 谷世举, 卜雄洙, 靳建伟, 等. 基于改进Unet网络的炮口火焰分割方法[J]. 国外电子测量技术, 2021, 40(4): 16-21. https://www.cnki.com.cn/Article/CJFDTOTAL-GWCL202104006.htm

    GU Shiju, BU Xingzhu, JIN Jianwei, et al. Muzzle flame segmentation method based on improved Unet network[J]. Foreign Electronic Measurement Technology, 2021, 40(4): 16-21. https://www.cnki.com.cn/Article/CJFDTOTAL-GWCL202104006.htm

    [17]

    CHEN Z, ZHU H. Visual quality evaluation for semantic segmentation: subjective assessment database and objective assessment measure[J]. IEEE Transactions on Image Processing, 2019, 28(12): 5785-5796.

图(10)  /  表(2)
计量
  • 文章访问数:  178
  • HTML全文浏览量:  43
  • PDF下载量:  38
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-03-24
  • 修回日期:  2022-04-28
  • 刊出日期:  2022-12-19

目录

/

返回文章
返回