Infrared Image Recognition Method for Power Equipment Based on Improved YOLO v5
-
摘要:
为解决电力设备红外图像有遮挡、分类不准确和特征提取不充分等问题，本文提出一种改进的YOLO v5识别方法。首先通过迁移学习的方法，将电力设备可见光图像和红外图像相融合，接着将Triplet注意力机制嵌入到特征提取网络中，对关键特征信息进行加权强化，最后通过多尺度融合的方法实现不同目标的识别。研究结果表明：相对于Faster R-CNN和SSD，本文方法的识别精度和识别效率最高，且适应于复杂背景下的多类型电力设备识别；本文方法的模型仅4.1 MB，相较于SSD缩减了80.8%，实现了网络模型的轻量化。本文方法为电力设备红外图像智能检测提供了新颖可行的方案。
Abstract:This study proposes an improved YOLO v5 method to solve the problems of inaccurate classification and insufficient feature extraction from power equipment infrared images. First, the visible light data and infrared images of the power equipment were fused using the transfer learning method. The triplet attention mechanism was then embedded into the feature extraction network for weighted intensification of key feature information. Finally, different targets were identified using multiscale fusion. The results show that compared with faster R-CNN and SSD, the proposed method has higher recognition accuracy and efficiency and is suitable for image recognition of multi-type power equipment in complex backgrounds. This method realizes a lightweight network model with a size of only 4.1 MB, which is a reduction of 80.8% compared to that of SSD, providing a novel and feasible scheme for intelligent infrared image detection of power equipment.
-
Keywords:
- power equipment /
- infrared image /
- ttransfer learning /
- YOLO v5s /
- attention mechanism /
- light-weight model
-
0. 引言
红外图像广泛应用于医疗卫生、军事监测和航空等领域[1]。由于热辐射的各向同性和红外传感器的不均匀感光响应，红外成像往往亮度和对比度较低，纹理细节较模糊[2]。红外图像增强是红外成像及其应用的必需。直方图均衡化[3]广泛用于红外图像增强，但是其对像素的统一均衡化分布处理，往往伴有局部过增强和欠增强的效果。双直方图均衡化[4]将图像的直方图分为两个子直方图，分别进行均衡化处理。Faraj等人[5]提出了自适应的直方图均衡化方法，更适宜地增强图像的对比度。Ashiba等人[6]将Gamma矫正与直方图均衡化进行结合，但是Gamma矫正与直方图均衡化对亮度的双重增强必然会产生过增强。Liu等人[7]同时对图像进行全局和局部的规定化，以实现全局增强和局部增强的互补。
直方图均衡化单纯从灰度级的均匀分布上增强图像的对比度，未能体现图像的局部纹理细节特征[8]。基于Retinex理论的图像增强方法根据人类视觉感知的原理将红外图像分为基础层和细节层[9]，对基础层和细节层分别进行增强处理。Chen等人[10]采用边缘保持滤波器将红外图分解为光照图像和反射图像，对光照图像进行自适应模糊平台直方图均衡化。但是单一尺度Retinex的图像增强会产生光晕现象和噪声，于是，魏然然等人[11]提出了一种改进多尺度的Retinex红外图像增强方法。Lv等人[12]对红外图像的细节层进行多尺度的增强以凸显图像的细节特征，同时用多尺度中值滤波对细节层进行去噪。对细节层的中值滤波处理，缺乏鲁棒性，在一定程度上破坏图像的纹理细节。单一的增强技术往往难以获得满意的增强效果，部分学者倾向于将多种增强技术进行融合。文献[13]先对红外图像进行多尺度的局部显著性提取，再对多尺度显著图像进行融合以实现图像增强。
为了进一步提升红外图像的亮度和对比度，同时保持图像的自然效果，提出了自适应双边滤波与方向梯度的红外图像增强方法。用改进的双边滤波将图像分为基础层和细节层；用改进的平台直方图均衡化对基础层进行增强，以显示隐藏于暗区的图像细节；用方向梯度算子对细节层进行自适应的边缘增强，以提升图像的对比度。
1. 基于自适应双边滤波的Retinex
Retinex理论模拟人类视觉系统感知物体的亮度和颜色，解释了人眼视觉系统的颜色恒常性，即物体的颜色由物体的反射性质决定，不受光照的影响。Retinex理论认为图像由光照和物体表面对光照的反射相互作用的结果。光照为图像的低频信息，决定图像的动态范围，对光照的反射为图像的高频信息，如式(1)所示：
$$ I=L \times R $$ (1) 式中：I为原图像；L为图像的基础层；R为图像的细节层。为易于计算，将(1)式等价变换到对数域，为：
$$\ln I=\ln L+\ln R $$ (2) 式中：基础层L为中心环绕函数对图像I的滤波结果。由于高斯函数的平滑特性，中心环绕函数一般取高斯函数：
$$ G(x,y) = \lambda {\text{e}^{ - \frac{{{x^2} + {y^2}}}{{{\sigma ^2}}}}} $$ (3) 经过滤波获得光照图像：
$$ L=G \otimes I $$ (4) 将式(2)等价变换，得到反射图像：
$$ R=\exp [\ln I-\ln (G \otimes I)] $$ (5) 高斯滤波基于空间相关性分布进行滤波，忽略了像素域的相关性，因此未能有效保持图像的边缘细节，未能对光照做出准确估计。高斯滤波对光照图像的估计趋向于均匀，以致反射图像的光谱范围更宽，最终导致光谱重叠无法对特定的光谱子带进行增强。相对地，双边滤波以边缘保持能力著称，如式(6)：
$$ f(x,y) = \frac{{\sum\limits_{(i,j) \in {N_{(x,y)}}} {w(i,j)} I(i,j)}}{{\sum\limits_{(i,j) \in {N_{(x,y)}}} {w(i,j)} }} $$ (6) 式中：f为滤波图像；N(x, y)为以像素I(x, y)为中心的邻域；w为加权系数，定义如式(7)~(9)：
$$ w(i,j) = {w_\text{s}}(i,j){w_\text{r}}(i,j) $$ (7) $$ {w_\text{s}}(i,j) = \exp \left[ { - \frac{{{{(i - x)}^2} + {{(j - y)}^2}}}{{2\sigma _\text{s}^2}}} \right] $$ (8) $$ {w_\text{r}}(i,j) = \exp \left[ { - \frac{{{{\left| {I(i,j) - I(x,y)} \right|}^2}}}{{2\sigma _\text{r}^2}}} \right] $$ (9) 式中：ws为空间距离域加权系数；wr为灰度域加权系数；σs为空间域标准差；σr为灰度域标准差。显然，双边滤波对一个像素的滤波处理，既考虑像素的空间位置信息，也考虑像素的灰度信息，具有良好的边缘保持能力。
然而，双边滤波将空间距离域系数与灰度域系数视作等同，缺乏鲁棒性。ws对任何大小一样的图像邻域都是一样的。于灰度域加权系数wr，对于平滑区域，分母的σr必然较小，而分子的两个像素的灰度差I(i, j)－I(x, y)往往也较小；而对于细节区域，分母的σr必然较大，而分子的两个像素的灰度差I(i, j)－I(x, y)往往也较大，因此wr无细节敏感性。相对细节区域，平滑区域中像素的相关性较大，加权系数应较大，但是wr未能体现平滑区域与细节区域的差异。因此，本文提出改进的双边滤波，用作Retinex的中心环绕函数，如下：
$$ w = (1 - \beta ){w_\text{s}} + \beta {w_\text{r}} $$ (10) $$ \beta = \frac{{{\text{Entropy}}(I)}}{{2{\text{Entropy}}(N)}} $$ (11) 式中：β为反比于当前邻域的信息熵Entropy(N)的系数，而分子的图像信息熵Entropy(I)起到归一化的作用。信息熵代表一个图像或图像区域的细节信息丰富程度[14]。当前邻域为平滑区域时，其对应的信息熵较小，对应的β较大，因此，相对于空间距离域加权系数ws，灰度域加权系数wr的占比较大，当前邻域为细节区域时，则反之。改进的双边滤波加权系数充分体现了平滑区域和细节区域在灰度域加权系数wr上的差异，因此能更有效地提升双边滤波的边缘保持能力。
图 1显示了标准的双边滤波与改进的双边滤波对一维图像信号的滤波效果。一维图像信号如图 1(a)所示，标准的双边滤波与改进的双边滤波的滤波效果分别如图 1(b)和1(c)所示。明显地，两种滤波算法对图像信号都有着良好的边缘保持效果，但是改进的双边滤波的边缘保持能力更优，特别是对于变化微小的图像信号，更有效地保持其信号形状。
![]()
图 1 标准双边滤波与改进的双边滤波的效果Figure 1. Effect of bilateral filtering and improved bilateral filtering使用边缘保持能力较好的改进双边滤波将红外图像分解为大动态信息的基础层图像和小动态信息的细节层图像。既实现了图像的平滑处理，又能够保持图像的边缘信息。这样可以将较大的对比度留在基础层，而细节层仅保留局部较小对比度的信息[15]。因此，改进的双边滤波对光照的估计更加准确。
2. 基础层的平台直方图均衡化
基于改进双边滤波的Retinex，将图像分解为基础层和细节层。基础层为图像的低频部分，其灰度级的不合理分布是红外图像对比度低的主要原因，但是对其进行直方图均衡化会造成像素数较多的背景过增强。因此，本文对基础层采用平台直方图均衡化，对其灰度级进行均匀而适宜的分布。
平台直方图均衡化用平台阈值调整原图像的直方图h：大于上平台阈值T的h(x)统计值调整为T，以避免像素数较多的背景的过增强；其余的h(x)统计值保持不变。平台直方图均衡化算法的定义为[16]：
$$ H(x) = \left\{ \begin{gathered} T\;\;\;\;\;\;h(x) \geqslant T \hfill \\ h(x)\;\;h(x) < T \hfill \\ \end{gathered} \right. $$ (12) 接下来的均衡化过程为：
$$ E(x) = \sum\limits_{i = 0}^x {H(i)} \;\;(0 \leqslant x \leqslant L - 1) $$ (13) $$ G(x) = \left\lfloor {\frac{{(L - 1)E(x)}}{{E(L - 1)}}} \right\rfloor \;\;(0 \leqslant x \leqslant L - 1) $$ (14) 式中：L为最大灰度级数；E(x)为累计直方图；$ \left\lfloor {} \right\rfloor $为向下取整函数；G(x)为原图像灰度x经均衡化后的新灰度。
平台直方图均衡化是对直方图均衡化的改进，平台阈值的取值决定着平台直方图均衡化的改进效果。平台直方图均衡化虽然能对灰度级进行相对合理的分布，但是平台阈值多数依靠经验设置，缺乏鲁棒性。因此，本文提出自适应的平台阈值，用改进的平台直方图均衡化对红外图像的基础层进行增强处理。
根据基础层图像的直方图分布的形状，呈近似对称的波峰形，高峰为正中央附近，两头低中间高。因此，基础层图像的直方图可以近似地看作服从离散正态分布。正态分布的3σ准则如图 2所示，元素处于区间(μ－σ, μ+σ)、(μ－2σ, μ+2σ)和(μ－3σ, μ+3σ)的概率分别为68.26%，95.44%和99.74%，其中μ和σ分别为元素的均值和标准差。对于一个总体中的个体，如果其超出了2σ的范围(μ－2σ, μ+2σ)，其为奇异个体的概率为95.44%，因此本文选取平台阈值T＝μ+2σ，自适应于特定红外图像基础层的μ和σ。当基础层的某个灰度级x的原直方图h(x)＞T时，说明其与大多数其他灰度级的直方图差别过大，则将其调整为h(x)＝T。
3. 细节层的方向边缘增强
由于红外热成像的特性，红外图像本身的对比度较低，对基础层进行平台直方图均衡化是为了提升图像的亮度和对比度，使得处于黑暗区域的图像细节得以正常显示，提升图像的对比度。仅增强红外图像的基础层，往往难以实现红外图像理想的增强效果，进一步地，本文提出了基于方向梯度算子的细节层边缘增强方法。
借鉴于Canny和Sobel算子的优点，本文提出了一种方向梯度算子，如图 3所示。方向梯度算子的创新之处有：
① 能够表示图像在水平、垂直和正、反对角线4个方向上的梯度，基本上能表示图像的所有纹理和边缘方向。
② 梯度算子各位置上的梯度系数反比于该位置与中心位置的相对距离，以体现邻域中各像素对中心像素在梯度上的影响和相关性，以更有效地提取图像各方向的梯度信息。
③ 现有的梯度算子尺寸均为3×3，而方向梯度算子采用尺寸5×5，能更有效地体现纹理和边缘的方向走势。
令Gh，Gv，Gd和Gid分别为方向梯度算子的水平、垂直、对角和反对角梯度算子，它们对细节层R提取的边缘图像分别为：
$$E_{\mathrm{h}}=R \otimes G_{\mathrm{h}}$$ (15) $$ E_{\mathrm{v}}=R \otimes G_{\mathrm{v}} $$ (16) $$ E_{\mathrm{d}}=R \otimes G_{\mathrm{d}} $$ (17) $$E_{\mathrm{id}}=R \otimes G_{\mathrm{id}}$$ (18) 式中：⊗为卷积运输。将4个方向的梯度图像进行融合，得到细节层R的纹理边缘图像：
$$ E=E_{\mathrm{h}}+E_{\mathrm{v}}+E_{\mathrm{d}}+E_{\mathrm{id}}$$ (19) 对比度较清晰的红外图像，经边缘提取会得到较强的边缘图像，但对红外图像的增强只需轻微的边缘增强即可；对对比度较低的红外图像，会得到边缘较弱的边缘图像，但是红外图像需要更大强度的边缘增强。鉴于此，本文对细节层R采用自适应非线性叠加的边缘增强：
$$ R_{\mathrm{e}}=R+E / \text { Entropy }(I) $$ (20) 式中：Re为对细节层R进行边缘增强后的细节图像；Entropy(I)为原红外图像I的信息熵。图像的对比度越清晰，其信息熵越大。从式(20)可以看出，对细节图像R的边缘增强自适应地反比于红外图像本身的信息熵。对比度低较模糊的图像，其信息熵较小，因此需较大强度的边缘增强，而对比度高较清晰的图像，只需轻微的边缘增强即可。
将以上用改进的平台直方图均衡化增强的基础层Le和经方向边缘增强的细节层Re，做Retinex反变换得到增强的红外图像：
$$ I_{\mathrm{e}}=\exp \left(\ln L_{\mathrm{e}}+\ln R_{\mathrm{e}}\right) $$ (21) 4. 实验分析
实验环境为Matlab 2016a，i7@2.70 GHz CPU和8G RAM的计算机以及Win10系统。将本文方法与文献[7]、[11]、[12]和[13]中提出的方法用3幅场景红外图像进行实验比较，如图 4~6所示。文献[7]为直方图增强方法，文献[11]和[12]为基于Retinex的增强方法，而文献[13]为多尺度融合增强技术方法。
如图 4所示，原图像的整体亮度偏暗，对比度较低。各算法对场景一进行增强后，对比度均有提升，但是文献[7]产生明显的过增强，虽然部分细节异常清晰，但是部分细节因过增强而被破坏。文献[12]产生明显的伪影，以天空为背景的树枝细节被破坏，文献[11]呈现轻微的模糊，对比度不高。文献[13]和本文方法的增强效果较好，在提升对比度的同时，较好地保持图像的自然效果，但是文献[13]的整体亮度偏暗，而本文方法的亮度对于人眼视觉感知较适宜。
如图 5所示，原图像的亮度偏暗，纹理细节较丰富，但是对比度较低。文献[7]的对比度较高，但是同时存在过增强和欠增强，暗区的部分细节因欠增强而被隐藏，而亮区的部分细节因过增强而被破坏。文献[12]有较高的对比度，但是部分细节出现伪影，有明显的光晕现象。文献[11]虽然突显了部分细节，但是图像整体泛白，对比度的提升不明显。文献[13]和本文方法的增强效果明显比其他算法要好，本文方法在亮度适宜和对比度上，相比文献[13]更有优势。
如图 6所示，原图像的粗细节较少，但是微小细节较多。文献[7]的增强效果整体清晰度较高，但是因欠增强部分细节被隐藏，而部分细节因过增强出现伪影，图像的自然效果较差。文献[12]虽然明显提升了图像的对比度，但是欠增强依然明显，部分原本处于暗区的细节因欠增强而消失。文献[11]和[13]虽然都有效地提升了图像的对比度，但是文献[11]的亮度偏高，呈现泛白现象，而文献[13]的整体亮度不足。相对地，本文方法在对比度和亮度适宜度上均优于其他算法。
本文方法基于改进双边滤波的Retinex分解对图像进行增强，为了验证改进的双边滤波对红外图像增强的作用，将本文方法所用的改进双边滤波撤换为标准双边滤波，标识为本文方法1，而原来方法标识为本文方法2，将两方法应用于3幅场景红外图像，增强效果如图 7所示。为了清晰显示，只显示其放大的区域图。根据增强图像的视觉效果，明显可以看出，本文方法2在图像的纹理细节的保持和增强上优于本文方法1。改进的双边滤波的加权系数自适应于平滑区域和细节区域，具有更好的鲁棒性，比标准的双边滤波能更有效地保持图像的纹理和细节。
![]()
图 7 改进的双边滤波对三个场景的增强效果Figure 7. Enhancement effect of improved bilateral filtering on three scenarios为了更准确而客观地比较各算法的增强效果，将各算法对3个场景图像增强后的信息熵列于表 1。文献[7]对应的信息熵较高，这完全是由于其过增强所造成，图像的自然效果已被破坏。文献[11]的信息熵相对于原图像有所提高，但不明显。文献[12]的信息熵比文献[11]高一点，但是其信息熵如此之高是由于过增强所致。相对地，文献[13]和本文方法对场景图像增强后的信息熵相对原图像有较大的提高，且以本文方法为最高。
表 1 各算法对三个场景图像增强的信息熵Table 1. Information entropy of each algorithm for image enhancement of three scenes5. 结论
为避免红外图像增强中出现欠增强、过增强以及对比度不高，提出了自适应双边滤波与方向梯度的红外图像增强方法。用改进的双边滤波提取红外图像的基础层和细节层，对基础层进行自适应的平台直方图均衡化，对细节层进行方向边缘增强。实验结果表明，相对于部分最新提出的方法，本文方法的增强效果更优，增强图像的视觉效果更清晰，纹理细节更丰富。
-
表 1 环境要求
Table 1 Environment configuration
Item Configuration OS Windows 11 CPU Intel Xeon Silver 4114T 12C GPU NVIDIA GTX1080Ti RAM 64 GB Deep learning framework PyTorch 1.8 Hard disk 1T 
下载: 导出CSV
表 2 不同改进方法的识别效果
Table 2 Recognition effect of different improvement methods
Power equipment Method 1 Method 2 Ours Insulator AP 0.85 0.87 0.95 Arrester AP 0.86 0.89 0.98 CT AP 0.89 0.97 0.99 PT AP 0.87 0.96 0.98 Transformer bushing AP 0.89 0.92 0.97 mAP 0.87 0.92 0.97 recognition time /ms 27 7.8 5.6
下载: 导出CSV
表 3 不同识别算法的效果
Table 3 Effects of different recognition algorithms
Methods mAP mRC Recognition
time/msOurs 0.95 0.97 5.8 SSD 0.85 0.88 32 Faster R-CNN 0.91 0.93 78
下载: 导出CSV
表 4 不同方法的参数量与模型大小
Table 4 Number of parameters and model size of different methods
Methods mAP@0.5 mAP@0.8 Parameter quantity /M FLOPs/G size/MB Ours 0.97 0.92 0.18 4.2 4.1 YOLO v5s 0.92 0.87 1.32 30.1 29 YOLO v4 0.94 0.83 9.83 323.9 257 Faster R-CNN 0.92 0.81 5.89 145.9 113 SSD 0.86 0.82 0.99 23.8 21.4
下载: 导出CSV
-
[1] 陈俊佑, 金立军, 段绍辉, 等. 基于Hu不变矩的红外图像电力设备识别[J]. 机电工程, 2013, 30(1): 5-8. https://www.cnki.com.cn/Article/CJFDTOTAL-JDGC201301003.htm CHEN Junyou, JIN Lijun, DUAN Shaohui, et al. Power equipment identification in infrared image based on Hu invariant moments[J]. Journal of Mechanical & Electrical Engineering, 2013, 30(1): 5-8. https://www.cnki.com.cn/Article/CJFDTOTAL-JDGC201301003.htm
[2] 邹辉, 黄福珍. 基于改进Fast-Match算法的电力设备红外图像多目标定位[J]. 中国电机工程学报, 2017, 37(2): 591-598. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201702027.htm ZOU Hui, HUANG Fuzhen. Multi-target localization for infrared images of electrical equipment based on improved fast-match algorithm[J]. Proceedings of the CSEE, 2017, 37(2): 591-598. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201702027.htm
[3] 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 target detection model for power equipment based on improved YOLO v3[J]. Electrotechnical Technology, 2021, 36(7): 1389-1398. https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS202107009.htm
[4] 徐奇伟, 黄宏, 张雪锋, 等. 基于改进区域全卷积网络的高压引线接头红外图像特征分析的在线故障诊断方法[J]. 电工技术学报, 2021, 36(7): 1380-1388. https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS202107008.htm XU Qiwei, HUANG Hong, ZHANG Xuefeng, et al. On-line fault diagnosis method based on infrared image feature analysis of high-voltage lead connector based on improved area full convolutional network[J]. Transactions of the Chinese Society of Electrical Engineering, 2021, 36(7): 1380-1388. https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS202107008.htm
[5] 罗舜. 电力变压器套管将军帽发热故障的红外诊断分析[J]. 变压器, 2018, 55(1): 50-53. https://www.cnki.com.cn/Article/CJFDTOTAL-BYQZ201801018.htm LUO Shun. Infrared diagnosis analysis of power transformer bushing coupler heating[J]. Transformer, 2018, 55(1): 50-53. https://www.cnki.com.cn/Article/CJFDTOTAL-BYQZ201801018.htm
[6] 张杰, 付泉泳, 袁野. 变压器局部放电带电检测技术应用研究[J]. 变压器, 2018, 55(8): 66-71. https://www.cnki.com.cn/Article/CJFDTOTAL-BYQZ201905024.htm ZHANG Jie, FU Quanyong, YUAN Ye. Application research of electric detection technology of partial discharge for transformer[J]. Transformer, 2018, 55(8): 66-71. https://www.cnki.com.cn/Article/CJFDTOTAL-BYQZ201905024.htm
[7] 吕俊, 王福田, 汤进, 等. 基于全景温度场的电力设备在线自动识别与诊断[J]. 计算机与现代化, 2015(8): 19-23. https://www.cnki.com.cn/Article/CJFDTOTAL-JYXH201508004.htm LV Jun, WANG Futian, TANG Jin, et al. Online automatic recognition and diagnosis of electrical devices via thermal panorama[J]. Computer and Modernization, 2015(8): 19-23. https://www.cnki.com.cn/Article/CJFDTOTAL-JYXH201508004.htm
[8] 商俊平, 李储欣, 陈亮. 基于视觉的绝缘子定位与自爆缺陷检测[J]. 电子测量与仪器学报, 2017, 31(6): 844-849. https://www.cnki.com.cn/Article/CJFDTOTAL-DZIY201706007.htm SHANG Junping, LI Chuxin, CHEN Liang. Location and detection for self-explode insulator based on vision[J]. Journal of Electronic Measurement and Instrumentation, 2017, 31(6): 844-849. https://www.cnki.com.cn/Article/CJFDTOTAL-DZIY201706007.htm
[9] 周可慧, 廖志伟, 肖异瑶, 等. 基于改进CNN的电力设备红外图像分类模型构建研究[J]. 红外技术, 2019, 41(11): 1033-1038. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201911007.htm ZHOU Kehui, LIAO Zhiwei, XIAO Yiyao, et al. Construction of infrared image classification model for power equipments based on improved CNN[J]. Infrared Technology, 2019, 41(11): 1033-1038. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201911007.htm
[10] 赵乐, 王先培, 姚鸿泰, 等. 基于可见光航拍图像的电力线提取算法综述[J]. 电网技术: 2021, 45(4): 1536-1546. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS202104035.htm ZHAO Le, WANG Xianpei, YAO Hongtai, et al. Summary of power line extraction algorithms based on visible light aerial images[J]. Power System Technology: 2021, 45(4): 1536-1546. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS202104035.htm
[11] 史晋涛, 李喆, 顾超越, 等. 基于样本扩充的Faster R-CNN电网异物监测技术[J]. 电网技术, 2020, 44(1): 44-51. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS202001005.htm SHI Jintao, LI Zhe, GU Chaoyue, et al. Faster R-CNN power grid foreign body monitoring technology based on sample expansion[J]. Power System Technology, 2020, 44(1): 44-51. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS202001005.htm
[12] 乔林, 孙宝华, 徐立波, 等. 多特征联合稀疏表示的电力设备图像识别方法[J]. 自动化技术与应用, 2020, 39(11): 120-123. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDHJ202011026.htm QIAO Lin, SUN Baohua, XU Libo, et al. Power equipment image recognition method based on multi-feature joint sparse representation[J]. Automation Technology and Application, 2020, 39(11): 120-123. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDHJ202011026.htm
[13] 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 Xiao, et al. Based on faster RCNN substation equipment infrared image defect recognition method[J]. Southern Power Grid Technology, 2019, 13(12): 79-84. https://www.cnki.com.cn/Article/CJFDTOTAL-NFDW202110012.htm
[14] 杨光俊. 卷积神经网络在电力设备红外图像识别中的应用研究[D]. 广州: 华南理工大学, 2019. YANG Guangjun. Research on the Application of Convolutional Neural Network in Infrared Image Recognition of Power Equipment[D]. Guangzhou: South China University of Technology, 2019.
[15] 付强, 姚建刚, 李唐兵, 等. 基于红外图像的绝缘子串钢帽和盘面区域自动提取方法[J]. 红外技术, 2016, 38(11): 969-974. http://hwjs.nvir.cn/cn/article/id/hwjs201611011 FU Qiang, YAO Jiangang, LI Tangbing, et al. Automatic extraction method of steel cap and disk area of insulator string based on infrared image[J]. Infrared Technology, 2016, 38(11): 969-974. http://hwjs.nvir.cn/cn/article/id/hwjs201611011
[16] 马鹏, 樊艳芳. 基于深度迁移学习的小样本智能变电站电力设备部件检测[J]. 电网技术, 2020, 44(3): 1148-1159. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS202003041.htm MA Peng, FAN Yanfang. Small sample smart substation power equipment component detection based on deep transfer learning[J]. Power System Technology, 2020, 44(3): 1148-1159. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS202003041.htm
[17] Tianchi J, LI Qiang, MAOSONG L, et al. Target detection method combining inverted residual block and YOLO v3[J]. Transducer and Microsystem Technologies, 2019, 36(11): 56-61.
[18] 王昕, 赵飞, 蒋佐富, 等. 迁移学习和卷积神经网络电力设备图像识别方法[J]. 中国测试, 2020, 46(5): 108-113. https://www.cnki.com.cn/Article/CJFDTOTAL-SYCS202005018.htm WANG Xin, ZHAO Fei, JIANG Zuofu, et al. Transfer learning and convolutional neural network power equipment image recognition method[J]. China Test, 2020, 46(5): 108-113. https://www.cnki.com.cn/Article/CJFDTOTAL-SYCS202005018.htm
[19] WU D, LV S, JIANG M, et al. Using channel pruning-based YOLOv4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments[J]. Computers and Electronics in Agriculture, 2020, 178(5): 174-178.
[20] Selvaraju R R, Cogswell M, Das A, et al. Grad-CAM: visual explanations from deep networks via gradient based localization[C]//2017 IEEE International Conference on Computer Vision, 2017: 102-105.
-
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)
计量
- 文章访问数: 117
- HTML全文浏览量: 20
- PDF下载量: 42
- 被引次数: 4
