Defect Detection Method for Hydropower Station Equipment Based on Infrared Temperature Measurement Data
-
摘要:
针对目前水电站设备缺陷检测精度低、效率慢、花费时间长和人力成本大等问题，提出了一种基于注意力机制的红外测温数据的水电站设备缺陷检测算法。首先在YOLO（You Only Look Once）v5的特征提取网络中引入新的注意力模块CA（Coordinate Attention），以便更好地捕捉输入中的关键信息，提高模型性能和准确度。其次使用Ghost Convolution和Bottleneck Transformer替换YOLOv5中的普通卷积和C3模块，减少模型的参数量和计算量。最后，将缺陷检测算法和PyQt5界面相结合，实现可视化检测。实验结果表明，改进后的YOLOv5模型的mAP@0.5提升了6.3%，P和R分别提升了6.6%和5.9%，满足水电站设备缺陷的检测需求且具有更高的检测精度。
Abstract:To address the challenges of low accuracy, low efficiency, and significant time and labor costs of the current defect detection process for hydropower station equipment, a defect detection algorithm for hydropower station equipment based on the attention mechanism of infrared temperature measurement data is proposed. First, a new attention module, Coordinate Attention (CA), is introduced into the YOLOv5s feature extraction network to better capture key information in the input and improve the model performance and accuracy. Second, we replaced the ordinary convolution and C3 modules in YOLOv5 with Ghost Revolution and Bottleneck Transformer to reduce the model's parameters and computational complexity. Finally, the defect detection algorithm is combined with the PyQt5 interface to achieve visual image detection and output detection results. The experimental results show that the improved YOLOv5 model's mAP@0.5 is increased by 6.3%, and P and R are increased by 6.6% and 5.9%, respectively, meeting the detection needs of hydropower station equipment defects and achieving a higher detection accuracy.
-
Keywords:
- infrared temperature measurement /
- deep learning /
- YOLOv5 /
- defect detection
-
0. 引言
水电站作为一种重要的发电工程，在能源领域起着至关重要的作用。因此确保水电站设备的安全、稳定运行具有重要意义，水电站设备缺陷检测方法研究也成为当今研究的热点之一。红外测温技术具有高效率、高灵敏度、高安全性等优势，可针对电力设备的各类过热故障进行检修[1]。
在水电站设备缺陷检测方面，Shao[2]等提出了基于DAMAS（Deconvolution Approach for the Mapping of Acoustic Sources）算法的声成像技术，研发出一种可工作于变电站的巡检机器人，通过电力设备发生的异响，可初步判断设备缺陷位置和类型。Huang[3]等提出了一种将深度学习和部件定位结合的方法，用于检测电力设备的红外图像和温度缺陷。通过改进深度学习模型和训练方法，提高了检测的精度和速度。实验表明，该方法能高效准确地定位和识别电力设备的不同部件，并能判断温度缺陷，检测准确率超过90%，适用于实际变电站的应用需求。Cheng[4]等人提出了一种改进的Faster RCNN（Region Convolution Neural Network）模型来检测电力设备红外图像中的缺陷。该方法通过深度残差网络提取特征，并优化区域建议网络以适应设备形状特征，从而提高了模型的检测精度和速度。实验结果显示，相比传统方法，这种深度学习方法在准确率、召回率表现更好，同时在训练效率和检测速度上也有所提升。Wang[5]等人提出了一种基于神经网络的热缺陷检测与定位方法。根据红外图像的特点，建立了基于迁移学习的视觉几何群网络（Visual Geometry Group16, VGG16）用于温度识别。在对温度异常的热缺陷图像进行筛选后，采用改进的连通分量法进行缺陷区域定位，更准确地定位到热缺陷区域。Chen[6]等人对YOLO-V4骨干网络进行了改进以解决电力设备目标检测中的定位困难，引入焦点损耗函数，以促进正负样本不平衡导致的低检测精度。最后，实现了用于电力设备表面缺陷检测的改进YOLO-V4算法。文献[7]将灵活高效的训练工具与所提出的体系结构和复合缩放方法相结合。在5~120 FPS的范围内，YOLOv7在速度和精度上都超过了所有已知的对象检测器。Nooralishahi[8]等人提出了一种自训练热分割方法，该方法涉及一种新的过程管道，用于使用标记和未标记数据来训练所提出的深度学习模型。该方法再将数据传递给二级模型进行分割之前，使用无监督的方法来预测未标记数据的基本事实。Ruan[9]等人提出了一种新的用于热成像无损检测的联合损失生成对抗网络（Generative Adversarial Network, GAN）框架——缺陷检测网络（DeftectNet）。提出了一种结合改进GAN损失和惩罚损失的联合损失函数。实验结果表明，所提出的联合损失能更好地捕捉到显著特征，从而提高检测精度。Wang[10]等人提出集成变分贝叶斯张量分解（Restored Head Flux Based on the Ensemble Variational Bayes Tensor Factorization, EVBTF-RPHF）算法，使用稳定的低秩分解伪恢复热流来进行周期性方波的热无损检测（Thermographic Non-Destructive Testing, TNDT）。该算法通过将RPHF嵌入稳定的低秩分解EVBTF中，利用具有低秩空间分布的周期性热通量提高热成像无损检测缺陷的可检测性。Yu[11]等人提出了一种基于基本U-Net的语义分割神经网络，用于风电叶片红外图像的分割。将分层深度可分卷积块集成到构建的网络中，以提高分割精度。该方法优于所有的比较方法，进一步证明了训练后的网络具有良好的运行性能和准确的分割效果，并且具有良好的抗干扰性能。
结合红外测温技术与深度学习，在YOLOv5的模型基础上提出一种基于注意力机制的设备缺陷检测算法（YOLOv5s-CA-GC-BOTR）。首先在YOLOv5的特征提取网络中引入新的注意力模块MECA（Multiscale Efficient Channel Attention），提高检测设备缺陷的精度。其次使用Ghost Convolution和Bottleneck Transformer替换YOLOv5中的普通卷积和C3模块，减少了模型的参数量和计算量。最后，将缺陷检测模型和PyQt5界面相结合，方便对图片进行检测，并输出检测结果。
1. YOLOv5算法
YOLOv5是一种基于深度学习的目标检测算法，它采用单阶段检测方法，通过一个神经网络直接在图像上进行物体检测，速度和准确性相对较高。
YOLOv5相较于之前的版本，在模型体积和速度方面进行了优化，同时保持了较高的准确率。它使用多尺度训练和推理以处理不同大小的目标，提升了检测结果的精度和稳定性。
YOLOv5的网络结构主要包括4个部分：
一是输入端Input，YOLOv5使用Mosaic数据增强、自适应锚框计算以及自适应图片缩放等策略，以增强网络推理能力并提高效率。
二是主干网络Backbone，YOLOv5采用了Focus结构和CSP结构，用于提取输入图像的特征信息。该设计有效降低了计算成本和内存成本并增强了卷积网络的学习能力；
三是Neck，Neck部分主要是对之前提取的特征进行整理使其能够被更好的利用从而提取出更有效的特征。
四是检测头Head，输出最后的缺陷检测结果，其采用了GIOU_Loss损失函数，这是目标检测算法中用于衡量模型输出与实际目标框之间的差异的一种损失函数。通常，目标检测算法的损失函数包括分类损失函数（用于衡量类别的预测准确性）和回归损失函数（用于衡量目标框位置的预测准确性）。YOLOv5的网络结构如图 1所示。
2. 改进的YOLOv5算法
改进后的YOLOv5算法结构图如图 2所示，首先在YOLOv5的Backbone层增加多个CA注意力机制模块（Coordinate Attention）[12]，CA注意力机制模块是一种用于深度学习算法中的注意力机制模块。它的作用是在给定输入的情况下，自动地计算每个输入元素的重要性权重，并将这些权重应用于模型的不同部分，以便更好地捕捉输入中的关键信息，从而提高算法的性能和准确度。引入Ghost Convolution[13]替换普通的卷积模块。Ghost Convolution在设计上与普通的卷积操作非常相似，因此可以直接替换普通卷积模块而不需要对模型的其余部分做太多的修改。Ghost Convolution的主要思想是将输入特征图分解成主特征图和辅助特征图，并通过信息交互来提高算法的效率和准确性。这种分解和交互的过程可以通过Ghost Convolution模块来实现，而不需要更改模型的整体结构。使用Ghost Convolution替换普通卷积模块，可以构建更高效、更准确的模型。其次，引入Bottleneck Transformer[14]替换YOLOv5中的C3模块，Bottleneck Transformer通过多头注意力机制，能够对不同尺度的特征子空间进行建模。每个注意力头可以关注不同的特征表示，从而更好地捕捉不同尺度和抽象级别的特征。最后，将改进后的YOLOv5算法与PyQt5界面相结合，设计出图形可视化界面。
2.1 增加注意力机制CA模块
在电力设备的红外测温图像中，由于受到环境因素和一些本来就处于高温状态下工作设备的影响，在读取图像的缺陷特征时容易丢失一些关键性信息，为了提高算法对缺陷特征的关注度，提高算法的检测精度，本文在YOLOv5的特征提取网络中引入新的注意力模块CA，如图 3所示。
CA注意力机制模块是一种常用的注意力机制，用于增强算法对通道间关系的建模能力。它通常用于卷积神经网络（Convolutional Neural Network, CNN）中，用于提取特征并增强算法的表达能力。CA注意力机制模块的主要作用是根据输入特征图的通道信息，自适应地学习通道间的权重，以更好地捕捉不同通道之间的相关性和重要性。
CA注意力机制模块的加权操作可以通过学习得到，也可以通过一些预定义的权重进行计算。CA注意力机制的优势还有不仅考虑了通道信息，还考虑了方向相关的位置信息，有足够的灵活和轻量能够简单地插入到轻量级网络的核心模块中[15]。
2.1.1 Coordinate信息嵌入
Coordinate信息嵌入是指在深度学习算法中引入坐标信息的一种方法。将输入数据的坐标信息与特征图进行嵌入，这里采用了以下公式对全局池化进行了分解，将其转化为一对一维特征编码操作：
$$ z = \frac{1}{{H \times W}}\sum\limits_{i = 1}^H {\sum\limits_{j = 1}^W {{x_c}\left( {i, j} \right)} } $$ (1) 式中：z表示与第c通道相关的输出，输入X是来自具有固定核大小的卷积层的结果。对于给定的输入，首先使用尺寸为(H, 1)或(1, W)的池化核，分别沿着水平和垂直坐标对每个通道进行编码。因此，高度为h的第c通道的输出可以用以下方式表示：
$$ z_c^h\left( h \right) = \frac{1}{W}\sum\limits_{0 \leqslant i \leqslant w} {{x_c}} \left( {h, j} \right) $$ (2) 同样，宽度为w的第c通道的输出可以写成：
$$z_c^w(w)=\frac{1}{H} \sum\limits_{0 \leq j \leq H} x_c(j, w) $$ (3) 2.1.2 Coordinate Attention生成
Coordinate Attention生成是在深度学习算法中引入的一种机制，旨在强化算法对空间坐标信息的关注。该生成机制通常通过对特征图进行一系列操作，使算法更加关注具有精确位置信息的区域。在信息嵌入阶段之后，这部分将前面的变换结果进行concatenate操作，然后利用卷积变换函数对其进行进一步地转换，通过卷积模块之后，其维度将会降低为原来的C/r，之后将处理过的特征图 1送入Sigmoid激活函数得到形如1×(W+H)×C/r的特征图f，如式(4)：
$$ f=\delta\left(F_1\left(\left[z^h, z^w\right]\right)\right) $$ (4) $$ g^{h}=\sigma\left(F_{h}\left(f^{h}\right)\right) $$ (5) $$ g^{w}=\sigma\left(F_{w}\left(f^{w}\right)\right) $$ (6) 之后将f切割为两个单独的张量，再分别通过1×1卷积得到和输入同样的通道数，其结果如式(5)(6)。本文对YOLOv5的特征提取网络中引入新的注意力模块CA，旨在更好地捕捉输入中的关键信息。
2.2 引入Ghost Convolution
为了减少卷积的计算量，提高算法的表达能力，引入Ghost Convolution替换卷积模块，模块结构图如图 4所示。Ghost Convolution是一种卷积神经网络（CNN）[16]中的模块，旨在提高算法的效率和准确性。它通过将输入特征图分解成主特征图和辅助特征图，并通过信息交互来提高算法的效率和表达能力。Ghost Convolution的优点和特点如下：
1）减少计算量：由于辅助分支使用较大的卷积核，其计算量较大。但是，在信息交互后，只有主分支的特征被保留下来，从而减少了计算量。这使得Ghost Convolution在保持算法性能的同时，具有较低的计算复杂度。
2）提高表达能力：Ghost Convolution通过信息交互，使主分支能利用辅助分支提取的更全面的特征信息。这有助于提高模型的表达能力，使其能够更好地捕捉输入数据的特征。
2.3 引入Bottleneck Transformer
Bottleneck Transformer最早由Google Brain团队的研究人员Srinivas[17]等人在2021年提出。该研究团队在论文中介绍了Bottleneck Transformer的概念和方法，通过在Transformer架构中引入瓶颈结构，提出了Bottleneck Transformer的概念，并证明了其在计算效率和参数效率方面的优势。
Bottleneck Transformer提出的是对传统Transformer算法的改进和扩展，旨在提高算法在计算效率和参数效率方面的性能，以适应大规模数据和复杂任务的需求。它在计算机视觉领域引起了广泛的关注，并为深度学习算法的设计和优化提供了新的思路和方法。Bottleneck Transformers结构如图 5所示。
Bottleneck Transformer的主要思想是将Transformer算法中的自注意力机制和前馈神经网络替换为瓶颈结构和深度可分离卷积，用MHSA（Multi-Head Self-Attention）[18]来替换ResNet结构中的3×3卷积层。瓶颈结构由一个低维度的投影层和一个高维度的扩展层组成，用于降低输入特征的维度，并减少计算量。
2.4 PyQt5可视化界面
PyQt5[19]是一个用于创建图形用户界面（GUI）应用程序的Python库。它是基于Qt框架的Python绑定，可以让开发者使用Python语言来开发跨平台的GUI应用程序。PyQt5配备了Qt Designer工具，可以通过可视化界面设计来创建GUI应用程序。开发者可以直观地拖拽和放置GUI组件，并设置属性和信号槽的连接，从而快速构建用户界面。我们在这里加入了PyQt5可视化界面，方便用户更加快捷的利用此程序进行缺陷检测。
3. 实验部分
3.1 实验过程及数据集
文中所有实验均在同一环境下完成，都是基于pytorch框架下进行的，硬件环境为CPU: 13th Gen Intel(R) Core(TM) i9-13980HX 2.20 GHz，NVIDIA GeForce RTX 4080 Ti Laptop GPU显卡。
数据集为温泉站和寨口升压站两个水电站的基于红外测温数据的红外设备缺陷图片组成，共计2432张红外图片。其中每张图片都存在数量不等的温度异常的标注的地方，每张图片的缺陷数量为1~5个，所有图像都保存为png格式，需要转换为jpg格式储存。实验时按照2∶8的比例将原始数据划分为测试集和训练集，其中测试集图像为469张，训练集图像为1873张。
3.2 评价指标
这里使用了目标检测算法评估的3个标准指标：平均精度均值（Mean Average Precision, mAP）、精确率和召回率。其中，mAP计算的是所有类别平均的精确率，而精确率衡量的是模型预测为正例的样本中，实际为正例的比例，召回率则测量的是模型正确预测的正类样本在所有实际正类样本中的覆盖比例[20]。
3.3 实验结果分析
3.3.1 对比实验
本文所提算法与YOLOv3、YOLOv5的实验对比结果图如图 6所示。从图中可以看出改进后的算法在检测精度和准确率方面都得到了显著提升，整体效果要优于前两种算法。
对论文所提算法与Faster-RCNN，YOLOv3、YOLOv5、TPH-YOLOv5 4种算法在相同数据集上的实验结果进行了比较。通过分析与表 1中其他4个算法的比较数据，我们可以观察到不同算法的检测效果，YOLOv3算法检测的精度和效果最差，Faster-RCNN和YOLOv5效果有所提升，但未达到预期效果，本文所提出的算法检测精度最高，各项评估指标较其他算法均有显著提高。
表 1 不同算法的性能比较Table 1. Performance comparison of different modelsMethods mAP/% P/% R/% FPS/(f/s) YOLOv3 21.8 16.3 19.5 35 TPH-YOLOv5 19.2 18.2 24.4 43 Faster-RCNN 12.54 20.12 22.6 32 YOLOv5 26.3 32.8 38.3 38 Ours 32.6 39.4 44.2 45 3.3.2 消融实验
本文在该数据集上的消融实验结果如表 2所示，从表格前3行可以看出，在YOLOv5的基础上单独增加CA、Ghost Convolution和Bottleneck Transformer后，算法的精确率比原始YOLOv5s提高了6.6%，召回率提高了3.9%，mAP@0.5提高了6.3%。由此可见，Ghost Convolution模块和Bottleneck Transformer模块网络两者组合后的效果较好。
表 2 该数据集消融实验结果Table 2. Results of ablation experiment of the datasetMethods mAP@.0.5/% P/% R/% CA Ghost Convolution Bottleneck Transformer √ 28.3 34.6 39.8 √ 27.6 35.4 42.1 √ 27.3 36.5 43.5 √ √ 30.1 37.4 43.6 √ √ √ 32.6 39.4 44.2 对比可知，YOLOv5对于红外图像中小目标、远距离的设备缺陷等目标的检测效果不好，漏检了大量小目标。而YOLOv5-CA改善了这种现象。效果最好的是YOLOv5-CA-GC-BOTR算法，其边框定位更加精准，检测到了更多微小目标，而且基本能正确分类并识别重叠目标和低对比度的目标，该算法对小目标的检测能力更强。
4. 结论
本文提出了一种基于改进的YOLOv5的水电站设备缺陷检测方法。在YOLOv5的特征提取网络中引入CA注意力机制，增强模型对缺陷特征的关注度。使用Ghost Convolution替换YOLOv5算法中的普通卷积减小计算量、提高算法的表达能力。并且使用Bottleneck Transformer替换C3模块，改进后算法的层数、网络参数基本不变，但是检测精度有明显提高。最后加入PyQt5界面。改进后的算法的平均精度、计算量以及算法权重方面均优于YOLOv5和其他的检测算法，对设备缺陷检测有着更加显著的效果。
-
表 1 不同算法的性能比较
Table 1 Performance comparison of different models
Methods mAP/% P/% R/% FPS/(f/s) YOLOv3 21.8 16.3 19.5 35 TPH-YOLOv5 19.2 18.2 24.4 43 Faster-RCNN 12.54 20.12 22.6 32 YOLOv5 26.3 32.8 38.3 38 Ours 32.6 39.4 44.2 45 
下载: 导出CSV
表 2 该数据集消融实验结果
Table 2 Results of ablation experiment of the dataset
Methods mAP@.0.5/% P/% R/% CA Ghost Convolution Bottleneck Transformer √ 28.3 34.6 39.8 √ 27.6 35.4 42.1 √ 27.3 36.5 43.5 √ √ 30.1 37.4 43.6 √ √ √ 32.6 39.4 44.2
下载: 导出CSV
-
[1] 王可为. 红外测温技术在变电运行中研究[J]. 产业创新研究, 2023(14): 138-140. WANG K W. Research on infrared temperature measurement technology in substation operation[J]. Industrial Innovation Research, 2023(14): 138-140.
[2] 邵宇鹰, 王枭, 彭鹏, 等. 基于声成像技术的电力设备缺陷检测方法研究[J]. 中国测试, 2021, 47(7): 42-48. SHAO Y Y, WANG X, PENG P, et al. Research on defect detection method of power equipment based on acoustic imaging technology[J]. China Test, 2021, 47(7): 42-48.
[3] 黄勤琴. 基于红外图像的电力设备及其温度缺陷检测[D]. 成都: 西南交通大学, 2022. HUANG Q Q. Power Equipment and Its Temperature Defect Detection Based on Infrared Image [D]. Chengdu: Southwest Jiaotong University, 2022.
[4] CHENG Y, XIA L, YAN B, et al. A defect detection method based on faster RCNN for power equipment[C]//Journal of Physics: Conference Series. IOP Publishing, 2021, 1754(1): 012025.
[5] WANG K, REN F, KANG X, et al. Thermal defect detection and location for power equipment based on improved VGG16[C]//IEEE International Conference on Agents (ICA), 2021: 41-46.
[6] CHEN X, AN Z, HUANG L, et al. Surface defect detection of electric power equipment in substation based on improved YOLOv4 algorithm[C]//10th International Conference on Power and Energy Systems (ICPES), 2020: 256-261.
[7] WANG C Y, Bochkovskiy A, Liao H Y M. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2023: 7464-7475.
[8] Nooralishahi P, Rezayiye R K, López F, et al. PHM-IRNET: Self-training thermal segmentation approach for thermographic inspection of industrial components[J]. NDT & E International, 2023, 138: 102884.
[9] RUAN L, GAO B, WU S, et al. DeftectNet: Joint loss structured deep adversarial network for thermography defect detecting system[J]. Neurocomputing, 2020, 417: 441-457. DOI: 10.1016/j.neucom.2020.07.093
[10] WANG H, HOU Y, HE Y, et al. A physical-constrained decomposition method of infrared thermography: pseudo restored heat flux approach based on ensemble bayesian variance tensor fraction[J]. IEEE Transactions on Industrial Informatics, 2023, 20(3): 3413-3424.
[11] YU J, HE Y, LIU H, et al. An improved U-Net model for infrared image segmentation of wind turbine blade[J]. IEEE Sensors Journal, 2022, 23(2): 1318-1327.
[12] 余松森, 张明威, 杨欢. 改进YOLOv5的瓷砖表面缺陷检测[J]. 计算机系统应用, 2023, 32(8): 151–161. YU S S, ZHANG M W, YANG H, et al. Improved tile surface defect detection with YOLOv5[J]. Computer System Application, 2023, 32(8): 151-161.
[13] 代牮, 赵旭, 李连鹏, 等. 基于改进YOLOv5的复杂背景红外弱小目标检测算法[J]. 红外技术, 2022, 44(5): 504-512. http://hwjs.nvir.cn/article/id/f71aa5f4-92b0-4570-9056-c2abd5506021 DAI J, ZHAO X, LI L P, et al. Improved YOLOv5-based infrared dim-small target detection under complex background[J]. Infrared Technology, 2022, 44(5): 504-512. http://hwjs.nvir.cn/article/id/f71aa5f4-92b0-4570-9056-c2abd5506021
[14] 王成龙. 基于改进YOLOv5n的绝缘子缺陷检测算法研究[D]. 大庆: 东北石油大学, 2023. WANG C L. Research on Insulator Defect Detection Algorithm Based on Improved YOLOv5n [D]. Daqing: Northeast Petroleum University, 2023.
[15] YAO J, QI J, ZHANG J, et al. A real-time detection algorithm for Kiwifruit defects based on YOLOv5[J]. Electronics, 2021, 10(14): 1711. DOI: 10.3390/electronics10141711
[16] 张玉彬, 刘鹏谦, 陈丽娜, 等. 基于YOLO v5的带涂层钢结构亚表面缺陷脉冲涡流热成像智能检测[J]. 红外技术, 2023, 45(10): 1029-1037. http://hwjs.nvir.cn/article/id/8f53b36b-125e-465a-9f0a-7ea4e570ed41 ZHANG Y B, LIU P Q, CHEN L N, et al. Intelligent detection of subsurface defects of coated Steel structures by pulsed eddy thermal imaging based on YOLO v5[J]. Infrared Technology, 2023, 45(10): 1029-1037. http://hwjs.nvir.cn/article/id/8f53b36b-125e-465a-9f0a-7ea4e570ed41
[17] Srinivas A, Lin T Y, Parmar N, et al. Bottleneck transformers for visual recognition[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2021: 16519-16529.
[18] 叶舒然, 张珍, 王一伟, 等. 基于卷积神经网络的深度学习流场特征识别及应用进展[J]. 航空学报, 2021, 42(4): 185-199. YE S R, ZHANG Z, WANG Y W, et al. Deep learning flow field feature recognition and application progress based on convolutional neural network [J]. Acta Aeronautica et Astronautica, 2021, 42(4): 185-199.
[19] Willman J. Modern PyQt[M]. Berkeley: Apress, 2021: 1-42.
[20] 王永平, 张红民, 彭闯, 等. 基于YOLOv3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 Y P, ZHANG H M, PENG C, et al. The target detection method for abnormal heating point of high-voltage switchgear based on YOLOv3 [J]. Infrared Technology, 2020, 42(10): 983-987. http://hwjs.nvir.cn/article/id/hwjs202010011
计量
- 文章访问数: 42
- HTML全文浏览量: 11
- PDF下载量: 12
