基于改进YOLOv7的异源绝缘子的故障检测与识别

李绪, 肖志云, 姜晔东, 王亚洲, 苏宇

李绪, 肖志云, 姜晔东, 王亚洲, 苏宇. 基于改进YOLOv7的异源绝缘子的故障检测与识别[J]. 红外技术, 2024, 46(11): 1325-1333.
引用本文: 李绪, 肖志云, 姜晔东, 王亚洲, 苏宇. 基于改进YOLOv7的异源绝缘子的故障检测与识别[J]. 红外技术, 2024, 46(11): 1325-1333.
LI Xu, XIAO Zhiyun, JIANG Yedong, WANG Yazhou, SU Yu. Fault Detection and Identification of Multi-Source Insulators Based on Improved YOLOv7[J]. Infrared Technology , 2024, 46(11): 1325-1333.
Citation: LI Xu, XIAO Zhiyun, JIANG Yedong, WANG Yazhou, SU Yu. Fault Detection and Identification of Multi-Source Insulators Based on Improved YOLOv7[J]. Infrared Technology , 2024, 46(11): 1325-1333.

基于改进YOLOv7的异源绝缘子的故障检测与识别

基金项目: 

内蒙古自治区科技计划项目 2021GG0345

内蒙古自治区自然科学基金项目 2021MS06020

详细信息
    作者简介:

    李绪(1998-),男,内蒙古托县人,硕士,研究方向为图像处理与目标检测。E-mail: 1139954622@qq.com

    通讯作者:

    肖志云(1974-),男,湖南嘉禾人,教授,博士,硕导,研究方向为图像处理与目标检测。E-mail: xiaozhiyun@imut.edu.cn

  • 中图分类号: TP391.41

Fault Detection and Identification of Multi-Source Insulators Based on Improved YOLOv7

  • 摘要:

    为提高复杂背景下异源绝缘子的故障检测准确率,本文提出一种基于异源图像下的改进YOLOv7模型的绝缘子故障识别方法。为突出绝缘子的位置以及故障信息对异源绝缘子图像进行配准融合,为降低计算复杂度以及获得更高的可移植性,将原YOLOv7的主干特征提取网络换为MOBELINET网络,为减少复杂背景下绝缘子的漏检、误检等问题,将原YOLOv7的损失函数由Complete-intersection-Over-Union(CIOU)改为FOICAL-EIOU进一步提高模型预测框的回归效果。最后在YOLOv7检测头部分引入可变形卷积Deformable Convolution Network2(DCNv2)加强对不同尺度大小绝缘子发热故障区域的适应能力。实验结果表明改进的模型Mean Average Precision(mAP)值为96.6%,比原YOLOv7模型mAP值提高9.9%,参数量下降了30.5%,浮点运算数下降了49.2%,较YOLOV5、YOLOV8目标检测模型mAP值分别提高12.2%、12.4%。所提出的改进模型可以有效实现异源绝缘子的故障检测与识别。

    Abstract:

    To improve the accuracy of fault detection for heterogeneous insulators with complex backgrounds, an improved YOLOv7 model-based insulator fault recognition method based on heterogeneous images is proposed in this paper. An image of a heterogeneous insulator was registered and fused to highlight the location of the insulators and fault information. Then, to reduce the computational complexity and improve portability, the original backbone feature extraction network of YOLOv7 was replaced by the MOBELINET network. To reduce the problems of missing and false detections of insulators in complex backgrounds, the original loss function of YOLOv7 was changed from CIOU to FOICAL-EIOU to further improve the regression effect of the model prediction box. Finally, a deformable convolutional DCNv2 was introduced in the YOLOv7 detection head to enhance its adaptability to insulator heating fault areas of different scales. The experimental results show that the mAP value of the improved model is 96.6%, which is 9.9% higher than that of the original YOLOv7 model, the number of parameters decreases by 30.5%, and the floating-point operator decreases by 49.2%, which are 12.2% and 12.4% higher than those of the YOLOV5 and YOLOV8 target detection models, respectively. The proposed improved model could effectively detect and identify heterogeneous insulators.

  • 微通道板(microchannel plate,MCP)是一种大面阵、具有高空间分辨特性的电子倍增器,可直接探测带荷粒子、电子、X射线和UV光子等,主要作为核心元件用于微光像增强器中。随着高性能超二代、三代微光像增强器的发展,性能不断提升,对MCP的要求也逐渐提高,其中MCP的空间分辨性能是关键性能之一,对于像增强器的分辨力、传函、光晕(Halo)等性能指标有重要的影响[1-7]

    近年来,高空间分辨微通道板的研究对于像增强器的性能提升有着重要的贡献。在世界范围内,超二代像增强器技术以法国Photonis为代表,其最新产品为2019年发布的4G+微光像增强器,信噪比达到30以上,分辨力达到72 lp/mm以上,品质因子FOM(FOM=信噪比×分辨力)达到2300以上。4G+像增强器采用了一种新的MCP技术,能够极大地提升微光像增强器的对比度、传函(modulation transfer function, MTF)性能[8]。三代像增强器发展历程中,美国一直占据领先地位,L3 Harris公司的MX11769高性能三代微光像增强器,采用了无膜MCP,Halo得到了显著的抑制,同时信噪比达到33以上,分辨力达到72 lp/mm以上,FOM达到2376以上。目前美国空军已采用装备此型号像增强器的夜视仪,以便在最激烈的战场环境下获得更好的目标探测和识别能力[9]

    超二代像增强器、三代像增强器高性能产品分辨力性能均达到了72 lp/mm以上,同时在传函、Halo等方面也有明显的提升,这些改进均与MCP的改进及空间分辨性能的提升密不可分。本文在分析国外先进像增强器所采用的高空间分辨MCP基础上,以光电子成像过程MCP直接相关的3个阶段进行分类:光电子入射至MCP输入面、MCP电子倍增、倍增电子图像输出,介绍目前已有的研究工作,提出进一步提高微通道板空间分辨性能的技术途径。

    理想情况下,入射至通道内的光电子得到倍增放大并输出,入射至通道壁表面的电子被电极材料吸收。实际过程中,在MCP与阴极之间还会存在光子反射以及电子散射,影响像增强器空间分辨性能,尤其是采用了输入增强膜的MCP以及制作了防离子反馈膜的MCP。

    像增强器光电阴极通常具有一定的光透过率,从阴极透射过来的光子在MCP输入面会产生一定的反射,光子反射至阴极产生新的光电子,位置已偏离了最初的位置,被称为光子散射噪声,如图 1所示。光子散射噪声占总散射噪声的20%,对于空间分辨性能有一定影响[10]。从微通道板方面抑制光子散射的措施主要方向为:降低输入面电极反射率、扩大MCP开口面积比。

    图  1  光子散射噪声形成示意图[10]
    Figure  1.  Schematic diagram of photon scattering[10]

    通过使用电子束蒸发取代电阻加热蒸发制作MCP输入面电极,反射率可降低1%~2%,达到4%~5%,并且膜厚加厚可降低反射率[11]。制作防离子反馈膜之后,MCP输入面反射率可降低2.5%左右[10]。传统工艺制作的小孔径MCP开口面积比能够达到65%以上,但很难超过70%。MCP扩口技术已研究多年,因工艺技术难度大,目前仅滨松能提供孔径12 μm、尺寸φ18 mm~φ50 mm的扩口MCP[12]。近年来,采用干法刻蚀技术进行MCP扩口也有理论研究报道[13],加工原理如图 2所示,为小孔径MCP的扩口提供了新的可能选择。

    图  2  干法刻蚀形成扩口MCP示意图[13]
    Figure  2.  Schematic diagram of funnel MCP manufacture by dryetching[13]

    微通道板开口面积比60%,从光电阴极发出的光电子有60%直接进入通道内被接收,其余的40%与MCP非开口区域碰撞并发生相互作用[14],如图 3所示,产生弹性散射、非弹性散射、二次电子发射等,对分辨力[15]、传函、Halo均有一定的影响,尤其是三代像增强器具有防离子反馈膜的MCP以及高性能超二代像增强器中具有输入增强功能膜层的MCP。

    图  3  MCP非开口面电子散射示意图[14]
    Figure  3.  Schematics of electrons scattering for MCP non-open area[14]

    像增强器在动态光线条件工作时,场景中最亮的点周围会显示“光晕”即Halo,使部分或者整个图像“白化”,影响视场质量。造成Halo的主要原因是光电子在MCP非开口区域的电子散射[16],尤其是弹性散射以及非弹性散射中能量较高的电子。Halo的直径大约是阴极与MCP间距的4倍[17]

    相较于超二代像增强器,三代像增强器中由于使用了防离子反馈膜,Halo更大、更明亮。美国在标准三代管基础上进行技术革新,采用了自动门控电源以及无膜MCP技术,研制出NGEOS Halo Free I2,Halo有显著改善[7],如图 4所示。在减小阴极与MCP间距、采用无膜MCP的基础上,开口面积比达到70%以上的扩口MCP应用能够进一步抑制Halo。

    图  4  标准三代与NGEOS无膜三代像增强器Halo对比[7]
    Figure  4.  Halo of standard GEN Ⅲ and NGEOS Halo free I2[7]

    超二代像增强器性能提升研究中,李晓峰等提出了在微通道板输入端镀制绝缘层的方法,以提高微通道板输入信号的利用率[18],结构如图 5所示。

    图  5  MCP输入端镀膜示意图
    Figure  5.  Diagram of input end of MCP with coated film

    在MCP输入面A区域镀制了SiO2、TiO2、Y2O3、Al2O3材料,相较于未镀膜的B区域,MCP镀膜区域增益提升幅度分别为:12%、16%、24%、35%。相应的,在微通道板增益提高的同时,像增强器的分辨力和调制传递函数会降低,如图 6所示,并且绝缘层的二次电子发射系数越高,分辨力和调制传递函数降低的比例越大,但微通道板分辨力和调制传递函数降低的比例远低于增益提高的比例。

    图  6  镀膜A区与未镀膜B区传函对比[18]
    Figure  6.  MTF of zone A (Coated) and zone B (Uncoated)[18]

    A区分辨力以及MTF较低的原因是MCP入射电子束h1产生的二次电子会进入相邻通道,如图 7所示。进入相邻通道内的电子会叠加在对准通道孔的入射电子束h2中,使输入信号失真,降低其对比度,所以对A区的分辨力和MTF会有一定的影响。

    图  7  二次电子运动示意图[18]
    Figure  7.  Diagram of trajectory of secondary electron[18]

    在MCP输入端镀制一层具有高二次电子发射系数的MgO膜层,增益可提高1倍以上,同时像增强器信噪比可提升16.8%;但是分辨力下降约4 lp/mm~10 lp/mm,降幅达到10%。MgO输入增强膜对于电子的倍增能力和探测效率的提升具有良好的应用前景。如果将其应用于成像观察中,需考虑采取其他办法弥补所损失的分辨力[19]。具有大开口面积比的小孔径扩口MCP,可显著降低入射电子流与MCP输入面非开口区域的碰撞概率,能够解决高二次电子发射输入增强膜应用过程中所遇到的分辨力、传函损失的问题。

    光电子进入通道内进行倍增的过程中,电子被限制在一个通道内,不同通道之间的信号不会出现串扰。MCP倍增过程影响空间分辨性能的主要参数是孔径与孔间距,二者以开口面积比关联起来;同时还涉及到MCP斜切角。

    微通道板的空间分辨力取决于通道尺寸。理论极限分辨力定义为每毫米内通道阵列的阵列数[1]

    $$ R = \frac{{1000}}{{\sqrt 3 \times {d_{\rm{c}}}}} $$ (1)

    式中:R为极限分辨力;dc为孔间距。

    微通道板的传函为[20]

    $$ {\rm{MTF}} = 2\left| {\frac{{{J_1}(2{\rm{ \mathsf{ π}}} fD)}}{{2{\rm{ \mathsf{ π}}} fD}}} \right| $$ (2)

    式中:J1为一阶贝塞尔函数;D为通道孔径。

    从理论计算公式可以看出,通道孔径、孔间距越小,分辨力、传函性能越高。实际实验中,微通道板孔径对于分辨力的影响非常大。L3公司将孔径2 μm、孔间距3 μm的微通道板与常规的孔径5 μm、孔间距6 μm的微通道板进行制管对比实验[21],5 μm孔径与2 μm孔径MCP对比如图 8所示。

    图  8  孔径5 μm MCP与孔径2 μm MCP对比[21]
    Figure  8.  Comparison of the 5 μm pore and 2 μm pore MCP[21]

    测试了不同孔间距MCP制管后的传函,如图 9所示。对3 μm孔间距MCP制管实测MTF曲线的最小二乘拟合表明MTF为3.4% @ 86 lp/mm。

    图  9  微通道板孔间距与传函关系[21]
    Figure  9.  Progression of MCP pitch versus MTF[21]

    相较于大孔径,小孔径MCP分辨力的提升有利于在低照度下提供更好的对比度,如图 10所示。MTF测试结果表明,单独像增强器自身分辨力性能的提升,能够转化为整个探测系统的空间分辨能力。

    图  10  孔径5 μm MCP与孔径2 μm MCP分辨力对比[21]
    Figure  10.  Resolution comparison between 2 μm pore MCP and 5 μm pore MCP[21]

    针对像增强器分辨力提升需求,MCP孔径需要不断缩小,立足于国内现有基础,近几年的发展目标是实现孔径5 μm、开口面积比70%左右的MCP成熟批量应用,并进行孔径减小至4.5 μm甚至4 μm的可行性论证、预研。

    不同斜切角对于传函性能的影响,由Y.Wang报道的理论模拟计算结果[22]

    4种不同斜切角MCP对应MTF如图 11所示,-3 dB MTF(MTF=50%)可以反映图像增强器的整体图像质量。由图 11可知-3dB MTFs分别为39.52 lp/mm、35.17 1p/mm、26.69 lp/mm、20.62 lp/mm,偏置角分别为8°、10°、12°、14°。实际研究工作开展时,需要对斜切角参数进行制管验证,平衡分辨力、信噪比、固定图案噪声性能参数。

    图  11  不同斜切角MCP对应MTF曲线[22]
    Figure  11.  MTF curves of MCP with different bias angles[22]

    微通道板孔间距参数确定时,像增强器的空间分辨力很大程度上取决于微通道板与荧光屏的距离,主要原因在于MCP单个通道输出的电子呈一定的角度分布逐渐弥散,距离荧光屏越远,弥散程度越大,同时影响了分辨力与传函性能[23]。为了最大限度地提高微通道板的分辨力,通常采用“末端损失”方法,即微通道板输出面金属膜层深入到通道内一定程度,使出射电子的掠出角减小,以便达到汇聚出射电子的目的。近年来,关于“末端损失”方法的改进以及新的方法均有报道。

    MCP输出的电子能力有一定的分布,如图 12所示,A曲线为来源于MCP输出电极的电子分布,B曲线为来源于MCP通道内壁的电子分布,C为两种分布的合成。输出电子的能量越低则速度越低,在径向的速度分量也低,最终的电子云弥散半径越小,有利于获得更高的分辨力。在输出面已镀制NiCr电极的基础上,再蒸镀一层具有高功函数的金属膜层覆盖原来的电极,能够提高MCP输出电极的逸出功,获得能量更低的电子[24-25]

    图  12  MCP输出电子能量分布[24]
    Figure  12.  Energy distribution of output electrons from MCP[24]

    分别开展了镀Ag、Pt的试验,其中镀Ag分辨力能够提升6.6%,镀Pt分辨力能够提升13%,相应的增益分别降低为未增镀膜层的74%、33%,需要更高增益的MCP以平衡增益、分辨力性能。

    对于二次电子发射的抑制,还可以采取调控表面结构,构造沟槽或者粗糙表面,降低表面二次电子发射系数。L. Wang等构造模型如图 13所示[26]

    图  13  沟槽结构模型及不同结构二次电子发射系数[26]
    Figure  13.  Trench structure model and secondary electron emission coefficients of different structures[26]

    胡天存等研究了基于ZnO阵列的银表面二次电子发射抑制研究[27]、王丹等研究了金纳米结构表面二次电子发射特性[28]、贺永宁等研究了铝合金表面粗糙化处理及二次电子抑制特性研究[29]。铝合金表面粗糙化工作中,从图 14可以看出,表面越粗糙,二次电子发射系数越低,是提升分辨力的一种研究方向。

    图  14  不同腐蚀工艺构造缺陷及二次电子发射系数[29]
    Figure  14.  Structural defects and secondary electron emission coefficients of different corrosion processes[29]

    在“末端损失”方法减弱输出电子束弥散方法之外,Photonis公司提出了一种新的技术[30],能够显著提升传函与对比度。结合Photonis官网资料,此技术可能已经应用于其最新产品4G+像增强器中。该项技术需要在MCP输出面与荧光屏之间制作一层半导体或者绝缘体薄膜,带隙大于等于1 eV,其中晶体结构中载流子扩散长度不低于薄膜厚度的50%,面向荧光屏的表面具有负电子亲和势。按照其功能作用可以将这个功能膜层称为“电子减速膜”:通过在像增强器中引入此薄膜,从电子倍增器发射的电子云可以被释放到薄膜中,电子在薄膜中损失至少相当一部分多余的能量,从而在导带上流动,实际上,电子可以变成热化电子。热化电子迁移至朝向荧光屏一侧进行再发射,离开薄膜的电子具有低能量和小的能量分布(例如,小于1 eV),如图 15(b)所示,电子横向弥散的程度显著低于图 15(a)。因此,离开薄膜的电子可以以很小的径向速度穿过阳极间隙。径向速度小的优点是电子可以沿直线向阳极移动。因此,阳极间隙的MTF可以得到改善。

    图  15  MCP输出电子轨迹示意图:(a) 无电子减速膜,(b) 有电子减速膜
    Figure  15.  Schematic diagram of output electron trajectory of MCP: (a) without electron deceleration film, (b) with electron deceleration film

    国产超二代像增强器、三代像增强器在追赶国际先进水平的过程中,需要不断提高MCP高空间分辨性能,二者所需有一定的共性要求:MCP孔径不断缩小,近几年发展目标是实现孔径5 μm、开口面积比70%左右的MCP成熟批量应用,并进行孔径减小至4.5 μm甚至4 μm的可行性论证、预研;输出电极方面,以“末端损失”为主方向,通过电极膜层调控构造“陷阱”,进一步地约束输出电子束的弥散范围,提高空间分辨能力,支撑像增强器分辨力批量达到72 lp/mm,甚至一定比例达到76 lp/mm。

    不同的是,超二代像增强器中应用的微通道板需要研究的新技术包括小孔径扩口微通道板制备与应用技术以及新概念电子减速膜新技术。三代像增强器中应用的微通道板的一个主要方向应是低放气量、低离子反馈的无膜微通道板研制,支撑发展无膜三代像增强器,能够显著抑制Halo、提高信噪比等,在此基础上,微通道板的技术发展将与超二代像增强器中应用的微通道板趋于相同,包括扩口MCP、输入增强膜层、输出面的电子减速膜等,均能得到应用。

  • 图  1   可见光图像增强样例

    Figure  1.   Examples of visible light image enhancement

    图  2   待配准融合前的图像对

    Figure  2.   Image pairs before registration and fusion

    图  3   基于互信息的多模态图像配准

    Figure  3.   Multimodal image registration based on mutual information

    图  4   MOBELINET基本网络单元

    Figure  4.   MOBELINET basic network unit

    图  5   可变形卷积结构示意图

    Figure  5.   Schematic diagram of deformable convolution structure

    图  6   ELAN_DCNv2结构

    Figure  6.   ELAN_ DCNv2 structure

    图  7   改进后的YOLOv7-Tiny网络结构

    Figure  7.   Improved YOLOv7 Tiny Network Structure

    图  8   各项实验的mAP值

    Figure  8.   mAP values for various experiments

    图  9   各项实验的损失变化

    Figure  9.   Variation in losses from various experiments

    图  10   改进网络的各项指标

    Figure  10.   Various indicators of the improved network

    图  11   各项实验的检测效果

    Figure  11.   Test results of various experiments

    图  12   YOLO系列mAP对比值

    Figure  12.   Comparison of YOLO series mAP value

    表  1   图像数据组成

    Table  1   Composition of image data

    Infrared image 2640 Visible image 7110(Contains an IR-paired 2640 Visible image)
    Normal image Interior overheated image Normal image Exterior broken image
    1584 1056 4977 2133
    下载: 导出CSV

    表  2   实验参数

    Table  2   Experimental parameters

    Experimental values The number of values
    Epoch 150
    Batch size 16
    Learning rate 0.001
    Optimizer SGD
    Size/pixel 640
    下载: 导出CSV

    表  3   消融实验结果

    Table  3   Results of ablation experiment

    Test MOBELINET FOICAL-EIOU DCNv2 Parameter/M GFLOPs @mAP0.5
    1 6.02 13.2 86.7%
    2 4.17 7.0 85.5%
    3 6.15 12.1 97.8%
    4 6.02 12.0 86.0%
    5 4.18 6.7 96.6%
    下载: 导出CSV

    表  4   不同检测模型对比结果

    Table  4   Comparison results of different detection models

    Name Parameter/M GFLOPs Precision Recall
    SSD 25.6 33.6 61.2% 61.0%
    YOLOV5 7.06 16.5 84.6% 91.9%
    YOLOv7 6.02 13.2 85.2% 91.1%
    YOLOV8 3.00 8.1 79.8% 84.2%
    Ours 4.18 6.7 92.1% 94.9%
    下载: 导出CSV
  • [1] 周自强, 陈强, 马必焕, 等. 一种改进的YOLO目标检测方法在电缆设备异常状态识别中的应用[J]. 电测与仪表, 2020, 57(2): 14-20.

    ZHOU Ziqiang, CHEN Qiang, MA Bihuan, et al. An improved YOLO target detection method with its application in cable device abnormal condition recognition[J]. Electrical Measurement & Instrumentation, 2020, 57(2): 14-20.

    [2] 姜文志, 李炳臻, 顾佼佼, 等. 基于改进YOLO V3的舰船目标检测算法[J]. 电光与控制, 2021, 28(6): 52-56, 67. DOI: 10.3969/j.issn.1671-637X.2021.06.012

    JIANG Wenzhi, LI Bingzhen, GU Jiaojiao, et al. A ship target detection algorithm based on improved YOLOv3[J]. Electronics Optics & Control, 2021, 28(6): 52-56, 67. DOI: 10.3969/j.issn.1671-637X.2021.06.012

    [3] 王凯, 王伟, 蒋志伟. 基于改进YOLO模型的遥感小目标检测[J]. 电光与控制, 2023, 30(6): 60-64. DOI: 10.3969/j.issn.1671-637X.2023.06.010

    WANG Kai, WANG Wei, JIANG Zhiwei. Remote sensing small target detection based on improved YOLO model[J]. Electronics Optics & Control, 2023, 30(6): 60-64. DOI: 10.3969/j.issn.1671-637X.2023.06.010

    [4] 毛建旭, 贺振宇, 王耀南, 等. 电力巡检机器人路径规划技术及应用综述[J]. 控制与决策, 2023, 38(11): 3009-3024.

    MAO Jianxu, HE Zhenyu, WANG Yaonan, et al. Review of research and applications on path planning technology for power inspection robots[J]. Control and Decision, 2023, 38(11): 3009-3024. .

    [5] 王义军, 曹培培, 王雪松, 等. 基于深度学习的绝缘子自爆检测方法研究[J]. 东北电力大学学报, 2020, 40(3): 33-40.

    WANG Yijun, CAO Peipei, WANG Xuesong, et al. Research on insulator self explosion detection method based on deep learning[J]. Journal of Northeast Dianli University, 2020, 40(3): 33-40.

    [6] 邱刚, 陈杰, 张廼龙, 等. 基于YOLOv3和HSV颜色空间的绝缘子低/零值故障诊断研究[J]. 高压电器, 2023, 59(1): 148-153.

    QIU Gang, CHEN Jie, ZHANG Nailong, et al. Research of low/zero defect diagnosis of porcelain insulator based on YOLOv3 and HSV color space image processing technology[J]. High Voltage Apparatus, 2023, 59(1): 148-153.

    [7] 陈俊杰, 叶东华, 产焰萍, 等. 基于Faster R-CNN模型的绝缘子故障检测[J]. 电工电气, 2020(4): 56-60, 73.

    CHEN Junjie, YE Donghua, CHAN Yanping, et al. Insulator fault detection based on faster R-CNN[J]. Electrotechnics Electric, 2020(4): 56-60, 73.

    [8]

    HU S, ZHAO F, LU H, et al. Improving YOLOv7-tiny for infrared and visible light image object detection on drones[J]. Remote Sensing, 2023, 15(13): 3214. DOI: 10.3390/rs15133214

    [9] 吕志宁. 输电线路常见故障分析与检测方法综述[J]. 自动化与仪器仪表, 2020(1): 161-164, 8.

    LYU Zhining. A survey of common faults analysis and detection methods for transmission line[J]. Automation & Instrumentation, 2020(1): 161-164, 8.

    [10] 李云红, 刘宇栋, 苏雪平, 等. 红外与可见光图像配准技术研究综述[J]. 红外技术, 2022, 44(7): 641-651. http://hwjs.nvir.cn/cn/article/id/77ef812e-5018-435f-a023-771b550bedc7

    LI Yunhong, LIU Yudong, SU Xueping, et al. Review of infrared and visible image registration[J]. Infrared Technology, 2022, 44(7): 641-651. http://hwjs.nvir.cn/cn/article/id/77ef812e-5018-435f-a023-771b550bedc7

    [11] 徐永会, 杨德智, 刘芳名. 基于对数极坐标和频域率的互信息图像配准[J]. 舰船电子工程, 2022, 42(11): 86-89, 150.

    XU Yonghui, YANG Dezhi, LIU Fangming. Mutual information image registration based on logarithmic polar coordinates and frequency domain rate[J]. Ship Electronic Engineering, 2022, 42(11): 86-89, 150.

    [12]

    WANG R, LIANG F, MOU X, et al. Development of an improved YOLOv7-based model for detecting defects on strip steel surfaces[J]. Coatings, 2023, 13(3): 536. DOI: 10.3390/coatings13030536

    [13] 陈学深, 吴昌鹏, 党佩娜, 等. 基于改进轻量化YOLOv4模型的虾只肉壳辨识方法[J]. 农业工程学报, 2023, 39(9): 278-286.

    CHEN Xueshen, WU Changpeng, DANG Peina, et al. Improved lightweight YOLOv4 model-based method for the identification of shrimp flesh and shell[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(9): 278-286.

    [14]

    Howard A, Sandler M, Chu G, et al. Searching for mobilenetv3[C]// Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019: 1314-1324.

    [15] 许爱华, 陈佳韵, 张明文, 等. 基于改进的YOLO v4绝缘子目标识别算法研究[J]. 吉林大学学报(信息科学版), 2023, 41(3): 545-551. DOI: 10.3969/j.issn.1671-5896.2023.03.020

    XU Aihua, CHEN Jiayun, ZHANG Mingwen, et al. Research on insulator detection algorithm based on improved YOLO v4[J]. Journal of Jilin University (Information Science Edition), 2023, 41(3): 545-551. DOI: 10.3969/j.issn.1671-5896.2023.03.020

    [16] 刘宇, 雷雪梅. 融合MobileNetV3特征的结构化剪枝方法[J]. 上海交通大学学报, 2023, 57(9): 1203-1213.

    LIU Yu, LEI Xuemei. A structured pruning method integrating characteristics of MobileNetV3[J]. Journal of Shanghai Jiaotong University, 2023, 57(9): 1203-1213.

    [17] 赵文清, 刘亮, 胡嘉伟, 等. 基于深度可分离空洞卷积金字塔的变压器渗漏油检测[J]. 智能系统学报, 2023, 18(5): 966-974.

    ZHAO Wenqing, LIU Liang, HU Jiawei, et al. Detection of transformer oil leakage based on deep separable atrous convolution pyramid[J]. CAAI Transactions on Intelligent Systems, 2023, 18(5): 966-974.

    [18] 刘雄彪, 杨贤昭, 陈洋, 等. 基于CIoU改进边界框损失函数的目标检测方法[J]. 液晶与显示, 2023, 38(5): 656-65.

    LIU Xiongbiao, YANG Xianzhao, CHEN Yang, et al. Object detection method based on CIoU improved bounding box loss function[J]. Chinese Journal of Liquid Crystals and Displays, 2023, 38(5): 656-65.

    [19] 周敏. 基于Focal-EIOU函数的被动式太赫兹图像违禁物品识别[J]. 太赫兹科学与电子信息学报, 2022, 20(8): 810-816.

    ZHOU Min. Detection of prohibited objects in passive terahertz images based on Focal-EIOU loss function[J]. Journal of Terahertz Science and Electronic Information Technology, 2022, 20(8): 810-816.

    [20]

    ZHANG Y F, REN W, ZHANG Z, et al. Focal and efficient IOU loss for accurate bounding box regression[J]. Neurocomputing, 2022, 506: 146-157.

    [21] 粟兴旺, 王晓明, 黄金玻, 等. 基于可变形卷积与注意力机制的X光安检违禁品检测[J]. 电子测量技术, 2023, 46(10): 98-108.

    SU Xingwang, WANG Xiaoming, HUANG Jinbo, et al. Prohibited items detection based on deformable convolution and attention mechanism in X-ray security inspection[J]. Electronic Measurement Technology, 2023, 46(10): 98-108.

    [22]

    ZHU X, HU H, LIN S, et al. Deformable convnets v2: More deformable, better results[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019: 9308-9316.

    [23] 曹伊宁, 李超, 彭雅坤. 基于改进YOLOv7的夜间行人检测算法[J]. 长江信息通信, 2022, 35(10): 57-60.

    CAO Yining, LI Chao, PENG Yakun. Night pedestrian detection algorithm based on improved YOLOv7[J]. Changjiang Information & Communications, 2022, 35(10): 57-60.

图(12)  /  表(4)
计量
  • 文章访问数:  46
  • HTML全文浏览量:  5
  • PDF下载量:  9
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-10-19
  • 修回日期:  2023-12-19
  • 刊出日期:  2024-11-19

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