• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于MST框架的PCNN輸電線路紅外熱故障區(qū)域提取方法

    2022-07-26 13:07:12葛黃徐郭一凡周東國
    紅外技術(shù) 2022年7期
    關(guān)鍵詞:紅外神經(jīng)元聚類

    葛黃徐,鄭 雷,江 洪,郭一凡,周東國

    基于MST框架的PCNN輸電線路紅外熱故障區(qū)域提取方法

    葛黃徐1,鄭 雷2,3,江 洪1,郭一凡1,周東國4

    (1. 國網(wǎng)浙江省電力有限公司嘉興供電公司,浙江 嘉興 314599;2. 國網(wǎng)電力科學(xué)研究院武漢南瑞有限責(zé)任公司,湖北 武漢 430074;3. 南瑞集團(tuán)有限公司,江蘇 南京 211106;4. 武漢大學(xué) 電氣與自動(dòng)化學(xué)院,湖北 武漢 430072)

    針對(duì)輸電線路電氣設(shè)備紅外熱故障檢測(cè),提出采用一種基于最大相似度閾值(Maximum Similarity Thresholding, MST)的脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse-coupled neural Network, PCNN)紅外圖像熱故障區(qū)域提取方法。在該方法中,利用脈沖耦合神經(jīng)元對(duì)相似的鄰域神經(jīng)元同步點(diǎn)火特性,通過引入最大相似度閾值框架,簡(jiǎn)化了PCNN模型的閾值設(shè)置機(jī)制。同時(shí),針對(duì)相似鄰域神經(jīng)元的同步點(diǎn)火特性,采用最小聚類方差設(shè)置連接系數(shù),使得PCNN模型在自適應(yīng)迭代下最終獲取熱故障區(qū)域。最后通過真實(shí)輸電線路電氣設(shè)備紅外故障圖像測(cè)試,驗(yàn)證了文中所提方法的有效性和適用性,為PCNN模型的推廣應(yīng)用奠定了基礎(chǔ)。

    MST框架;脈沖耦合神經(jīng)網(wǎng)絡(luò);輸電線路;紅外圖像;聚類

    0 引言

    在電力輸電線路巡檢中,紅外成像技術(shù)作為探測(cè)設(shè)備故障的遠(yuǎn)距離檢測(cè)的重要工具,具有檢測(cè)非接觸式、安全性強(qiáng)、準(zhǔn)確率高以及操作簡(jiǎn)便等優(yōu)點(diǎn)[1]。然而,因巡檢人員針對(duì)現(xiàn)場(chǎng)環(huán)境,需要實(shí)時(shí)錄入檢測(cè)到的故障信息等,不僅加長其巡檢時(shí)間,且極易出現(xiàn)漏檢、誤錄入等情況[2-3],使得巡檢效率受到了不同程度的影響。

    目前,圖像處理技術(shù)作為輔助手段已經(jīng)成為提升巡檢自動(dòng)化水平的重要一環(huán)。隨著巡檢無人機(jī)以及無人車在電力公司、電網(wǎng)公司的大力推廣使用,紅外圖像處理技術(shù)越來越受到關(guān)注。眾所周知,紅外輻射能量的強(qiáng)弱是與物體表面溫度大小密切相關(guān)的,當(dāng)物體表面溫度越高,其紅外輻射強(qiáng)度越大,所體現(xiàn)在紅外圖像上的灰度值也越大。一般而言,輸電線巡檢中的電氣設(shè)備,其故障大多以高溫、高熱特性為主,為紅外圖像故障檢測(cè)提供了潛在的區(qū)分特性。早期,閾值劃定故障界限通常是研究人員最為關(guān)注的一種解決方法。例如,在文獻(xiàn)[4]中,提出一種采用經(jīng)典的最大類間方差法(Otsu)自適應(yīng)閾值圖像分割方法,顯然對(duì)于溫差比較大的區(qū)域而言,這種方式簡(jiǎn)單高效。文獻(xiàn)[5]提出了一種新型閾值的選擇方法,該方法對(duì)目標(biāo)圖像先擬合具有個(gè)相鄰點(diǎn)的線性模型計(jì)算斜率差的變化趨勢(shì),通過在斜率差分布谷值中挑選適合不同類型故障區(qū)域的最佳閾值,以及利用形態(tài)學(xué)迭代腐蝕提取目標(biāo)區(qū)域。針對(duì)紅外圖像背景復(fù)雜、信噪比低,文獻(xiàn)[6]提出了一種基于Otsu和區(qū)域生長相結(jié)合的故障分割方法,較好地提取出故障區(qū)域。實(shí)際上,區(qū)域生長是一種類似聚類的方法。基于此,文獻(xiàn)[7]提出了采用基于加權(quán)切比雪夫距離的K-means算法對(duì)輸電線路上的變電站電氣設(shè)備紅外圖像進(jìn)行分割。進(jìn)一步地,文獻(xiàn)[8]中提出了基于PCNN分層聚類迭代的故障區(qū)域自動(dòng)提取方法,該方法需要通過設(shè)置PCNN模型內(nèi)在參數(shù)并引入聚類機(jī)理,從而獲得較高的故障區(qū)域提取性能。此外,針對(duì)不同的紅外場(chǎng)景圖像,也涌現(xiàn)出了一系列圖像處理算法[9-13]。

    然而,針對(duì)輸電線上不同紅外對(duì)象以及不同場(chǎng)景的紅外圖像,現(xiàn)有的一些算法適應(yīng)性都在一定程度上具有局限,其主要體現(xiàn)在紅外圖像的特性上,例如故障區(qū)域的大小以及灰度分布范圍。通常,故障區(qū)域較小,閾值的選擇往往會(huì)偏向于低灰度值[14];灰度分布范圍過大,則會(huì)將背景中的其他區(qū)域產(chǎn)生混疊,增加了閾值選擇難度。其次,故障區(qū)域與非故障區(qū)域存在一定的邊界,使得閾值機(jī)制得不到發(fā)揮。基于此,本文提出采用一種基于最大相似度閾值框架,并融合脈沖耦合神經(jīng)元同步點(diǎn)火機(jī)制,使得脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse-coupled neural network)閾值以及參數(shù)得到進(jìn)一步優(yōu)化,從而使PCNN模型具有更好的圖像處理能力。最后通過真實(shí)電力設(shè)備紅外圖像驗(yàn)證本文方法的有效性。

    1 MST框架

    針對(duì)紅外圖像,灰度閾值分割機(jī)制通常具有高效性,便于快速檢測(cè),其中最大相似度閾值(Maximum Similarity Thresholding,MST)[15]機(jī)制起源于Otsu算法。不失一般性,可將Otsu算法規(guī)則定義為:

    式中:(,())表示對(duì)原始圖像提取的圖像信息和在閾值下獲得的圖像信息()之間的相似度度量,即:

    式中:xw分別對(duì)應(yīng)圖像中第個(gè)像素值;表示圖像的均值。從式中不難看出,當(dāng)=1時(shí)表示當(dāng)圖像相同;相反,其值越小,代表差異越大,即越不相似。

    考慮到不同的相似度度量函數(shù)對(duì)圖像處理性能的差異性,例如Otsu方法,采用的類間方差最大或類內(nèi)方差最小的原則建立閾值選擇機(jī)制。然而,在式(1)直接度量下,極易發(fā)生閾值偏移引發(fā)欠分割或過分割。為了增強(qiáng)相似度度量的普適性,MST框架定義為:

    式中:和表示轉(zhuǎn)換函數(shù),通常在實(shí)際圖像處理中,轉(zhuǎn)換函數(shù)和需要做相應(yīng)的設(shè)置。不同的轉(zhuǎn)換函數(shù),其處理的結(jié)果必然存在一定的差異性,這也使得模型變得更加靈活。

    2 MST框架下PCNN紅外圖像分割模型

    2.1 PCNN簡(jiǎn)化模型

    脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(PCNN)[16-17]作為第三代神經(jīng)網(wǎng)絡(luò),其內(nèi)在的同步點(diǎn)火特性受到了國內(nèi)外學(xué)者的青睞,特別是在圖像分割、區(qū)域提取等領(lǐng)域,PCNN模型可以通過一定程度的簡(jiǎn)化,配合內(nèi)在參數(shù)的優(yōu)化,使得模型的有效性和適用性大大提升。圖1為一種經(jīng)典的簡(jiǎn)化PCNN模型[16]。

    在圖1中,這種經(jīng)典的PCNN模型中輸入層、耦合層以及脈沖發(fā)放層是一個(gè)循環(huán)級(jí)聯(lián)的架構(gòu),神經(jīng)元其內(nèi)在活動(dòng)激勵(lì)隨著迭代不斷調(diào)節(jié),直到神經(jīng)元同步發(fā)放脈沖不再變化為止。因此,相比于其他神經(jīng)網(wǎng)絡(luò)圖像處理,其不再需要訓(xùn)練和學(xué)習(xí),只需要內(nèi)在參數(shù)的調(diào)節(jié),即可獲得最終的輸出。

    圖1 PCNN簡(jiǎn)化模型圖

    其次,耦合層調(diào)節(jié)當(dāng)前點(diǎn)火神經(jīng)元的鄰域神經(jīng)元的活動(dòng)項(xiàng),這種機(jī)制有助于將具有相同特性的神經(jīng)元進(jìn)行聚類,從而便于分割圖像區(qū)域。

    此外,脈沖發(fā)放層是閾值分割機(jī)制的體現(xiàn),是提升圖像處理效率較為關(guān)鍵的一個(gè)環(huán)節(jié),在一定程度上最終奠定了圖像的分割結(jié)果。

    為了更好地描述圖1的PCNN簡(jiǎn)化模型,輸入層由反饋輸入Y和外部激勵(lì)I組成,其中外部輸入I與圖像區(qū)域中第個(gè)像素的灰度值一一對(duì)應(yīng),即:

    而反饋輸入Y通過內(nèi)在的權(quán)重W,形成連接輸入L

    式中:代表迭代次數(shù)索引;為神經(jīng)元和之間的連接權(quán)系數(shù)矩陣。通常,相鄰神經(jīng)元?dú)W氏距離的倒數(shù)作為權(quán)重系數(shù)值[16],即:

    在耦合層,連接輸入和外部輸入通過線性耦合方式調(diào)節(jié)鄰域神經(jīng)元內(nèi)在活動(dòng)項(xiàng)U

    U[]=F[]{1+L[]} (7)

    式中:為連接強(qiáng)度系數(shù)。

    由于PCNN的迭代結(jié)果的輸出最終由閾值進(jìn)行控制。在閾值調(diào)節(jié)機(jī)制上,更多考慮區(qū)域特性以及熵等規(guī)則[8,16]。通常,可將閾值設(shè)置為:

    連接系數(shù),其主要作用是調(diào)節(jié)鄰域神經(jīng)元的內(nèi)部活動(dòng)激勵(lì),如式(7)所示。為了能夠捕獲鄰域相似神經(jīng)元,本文采用聚類方差最小方式設(shè)置系數(shù)

    式中:0表示當(dāng)前點(diǎn)火區(qū)域的8鄰域像素,即為具備內(nèi)在激勵(lì)的神經(jīng)元;1表示未點(diǎn)火區(qū)域的8鄰域像素;0()和1()分別代表未點(diǎn)火區(qū)域和點(diǎn)火區(qū)域在當(dāng)前迭代時(shí)刻的均值。由此,通過搜素值,使得式(9)具有最小值,代表局部區(qū)域神經(jīng)元聚類方差最小。

    然后,通過閾值機(jī)制,得到脈沖輸出:

    即當(dāng)內(nèi)部活動(dòng)項(xiàng)U大于閾值時(shí),神經(jīng)元點(diǎn)火,輸出脈沖;反之,輸出值Y[]為零。

    此外,關(guān)于迭代次數(shù)的選擇,在現(xiàn)有的一些文獻(xiàn)中[16],通常依賴于判斷規(guī)則,即在PCNN脈沖輸出序列中尋找判斷規(guī)則決定最佳的脈沖輸出。然而,這種規(guī)則的好壞,決定了最終的提取結(jié)果。

    2.2 MST框架下的PCNN模型閾值的改進(jìn)

    在閾值部分,PCNN模型通常采用式(8)所示的閾值估計(jì),即采用區(qū)域的均值替代估計(jì),從而使得PCNN模型在迭代過程中能夠合理地將鄰域相似的神經(jīng)元進(jìn)行聚類。然而,由于紅外圖像邊界的模糊性,容易引起低灰度值的像素進(jìn)行聚類,從而引起均值[]發(fā)生偏差,使得迭代過程變得冗長,并導(dǎo)致最終得不到較好的分割結(jié)果。

    為此,本文采用MST框架,對(duì)PCNN閾值設(shè)置進(jìn)行優(yōu)化,利用式(3)的優(yōu)化方式替代式(8)的閾值,即:

    考慮到紅外圖像中故障區(qū)域與非故障區(qū)域存在邊界,因此將轉(zhuǎn)換函數(shù)選擇為梯度邊界函數(shù):

    式中:*表示卷積;?為梯度算子;表示尺度大小;為高斯函數(shù):

    由此可以看出,當(dāng)圖像經(jīng)T變換后,得到的結(jié)果與圖像中梯度信息密切相關(guān)。顯然,區(qū)域分割結(jié)果的變換函數(shù)要求具備邊界信息。本文采用形態(tài)學(xué)算子對(duì)分割后的二值圖像進(jìn)行處理,則得到:

    ()=-(Q) (14)

    式中:為閾值下的二值圖像;為形態(tài)學(xué)算子(4鄰域);Q表示腐蝕算子。

    為了便于實(shí)現(xiàn),圖2給出了整個(gè)算法的處理流程,最終通過選擇最大相似度的PCNN時(shí)間序列輸出作為故障區(qū)域提取結(jié)果。

    圖2 算法流程框圖

    3 實(shí)驗(yàn)結(jié)果及分析

    為了驗(yàn)證文中方法的圖像處理性能,圖3給出了5幅在輸電線路巡檢中獲取的具有代表性的紅外圖像及其梯度圖像,并與經(jīng)典的Otsu,MST[15]以及現(xiàn)有的PCNN模型[8]進(jìn)行比較,所有算法均在Intel(R) Core(TM) i5 CPU 4GB內(nèi)存PC機(jī)Matlab (2010b)上編程實(shí)現(xiàn)。

    圖4~圖10分別給出了Otsu、MST、現(xiàn)有的PCNN模型以及本文PCNN模型得到的結(jié)果圖。由于經(jīng)典的Otsu算法閾值的選取依賴于類內(nèi)方差最小或類間方差最大原則,因此,得到的閾值并不與圖像邊界等特征信息有關(guān)聯(lián),使得其分割結(jié)果與期望結(jié)果產(chǎn)生偏差,如圖4所示。而MST方法在此基礎(chǔ)上融入了相似度法則,經(jīng)過T變換和H變換,再通過相似度來選擇閾值,使得閾值的選擇融合了圖像的邊界以及區(qū)域特性,相對(duì)來講,這種方式有利于提取具有邊界的目標(biāo)區(qū)域。然而,對(duì)于紅外圖像,得到的結(jié)果更傾向于分離背景,而實(shí)際的故障區(qū)域被目標(biāo)區(qū)域所覆蓋,引起故障區(qū)域得不到分離,如圖5中圖像2,圖像4和圖像5的結(jié)果。另外,從圖6所得到的閾值相似度曲線不難發(fā)現(xiàn),圖6(b),(d)和(e)所得到的曲線存在兩個(gè)峰值,這代表故障區(qū)域和非故障區(qū)域也存在邊界,表明采用最佳的閾值相似度并不能較好地分割故障區(qū)域。

    圖7為文獻(xiàn)[8]中PCNN分層聚類方法分割結(jié)果,其得到的分層結(jié)果均較為理想。然而,從第3幅圖像的分割結(jié)果中,連接端子部分因PCNN閾值和連接系數(shù)的相關(guān)性,使得閾值設(shè)置發(fā)生了一定的偏移,導(dǎo)致該區(qū)域未被分割出來,如圖8所示。而本文方法融入了MST框架,在PCNN自適應(yīng)迭代獲得分割結(jié)果后(如圖9),再根據(jù)閾值相似度原則設(shè)置PCNN閾值,重新再迭代后得到最終的結(jié)果,從而避免了閾值設(shè)置的不當(dāng),最終結(jié)果如圖10所示。進(jìn)一步地,從表1中不難發(fā)現(xiàn),重新迭代后的相似度結(jié)果在很大程度上要優(yōu)于最先的PCNN迭代后的結(jié)果,進(jìn)而表明本文方法參數(shù)設(shè)置的有效性,具有較好分離故障區(qū)域與非故障區(qū)域的能力。

    圖3 紅外檢測(cè)圖像(第一行為原始圖像,第二行為梯度圖像)

    圖4 OTSU方法分割結(jié)果

    Fig.4 Segmentation results of OTSU method

    圖5 MST方法分割結(jié)果

    圖6 MST下相似度結(jié)果

    圖7 文獻(xiàn)[8]PCNN方法迭代聚類分割結(jié)果

    Fig.7 The segmentation results of PCNN method with reference [8]

    圖8 文獻(xiàn)[8]PCNN方法最終分割結(jié)果

    圖9 本文PCNN方法第一次迭代結(jié)果

    Fig.9 Segmentation results of our PCNN model at first PCNN iteration

    圖10 本文PCNN方法最終結(jié)果

    Fig.10 Final Segmentation results of our PCNN model

    表1 閾值相似度評(píng)價(jià)

    此外,表2給出了各個(gè)方法在時(shí)間復(fù)雜度上的對(duì)比。Otsu方法時(shí)間消耗最小,而當(dāng)融合相似度計(jì)算時(shí),即采用MST方法時(shí),其時(shí)間消耗就會(huì)有所增加。而文獻(xiàn)[8]PCNN方法中,需要對(duì)整幅圖像進(jìn)行分層聚類,最后再通過合并等操作,因此,其時(shí)間復(fù)雜度最高。相比于文獻(xiàn)[8]的方法,本文PCNN方法在融合MST框架后,其時(shí)間復(fù)雜度明顯得到了降低。

    表2 時(shí)間復(fù)雜度度量

    4 結(jié)語

    本文提出了一種基于MST框架的PCNN模型輸電線路紅外圖像熱故障區(qū)域提取方法。該方法融合了MST框架技術(shù),為PCNN閾值最優(yōu)設(shè)置提供了理論基礎(chǔ)。同時(shí),在鄰域像素同步點(diǎn)火參數(shù)的設(shè)置上,采用最小聚類方差,使得PCNN模型的參數(shù)能夠進(jìn)一步優(yōu)化,最終獲取紅外圖像中熱故障區(qū)域。最后針對(duì)電氣設(shè)備紅外圖像,且與一些常用的算法以及現(xiàn)有的PCNN模型相比,本文方法能較好地提取故障區(qū)域。此外,本文方法在圖像處理時(shí)間上,要優(yōu)于現(xiàn)有的PCNN方法。在下一步工作中,我們也將繼續(xù)對(duì)此進(jìn)行優(yōu)化,使得本文方法能夠更好地應(yīng)用于現(xiàn)場(chǎng)。

    [1] Jadin M S, Taib S. Recent progress in diagnosing the reliability of electrical equipment by using infrared thermography[J]., 2012, 55(4): 236-245.

    [2] 楊先明, 葉玉堂, 方亮, 等. 紅外電路故障檢測(cè)系統(tǒng)[J]. 紅外與激光工程, 2006, 35(3): 262-266.

    YANG Xianming, YE Yutang, FANG Liang, et al. Infrared detection tester for electronic circuit fault[J]., 2006, 35(3): 262-266.

    [3] 周正欽, 馮振新, 周東國, 等. 基于擴(kuò)展Meanshift電氣設(shè)備發(fā)熱故障區(qū)域提取方法[J]. 紅外技術(shù), 2019, 41(1):78-83.

    ZHOU Zhengqin, FENG Zhenxin, ZHOU Dongguo, et al. Fault region extraction of electrical equipment in infrared image by using an extended Mean Shift method[J]., 2019, 41(1):78-83.

    [4] 井金劍, 翟春艷, 李書臣, 等. 基于紅外圖像識(shí)別的電氣設(shè)備故障診斷[J].電子設(shè)計(jì)工程, 2014, 22(12): 171-173.

    JING Jinjian, ZHAI Chunyan, LI Shuchen, et al. Fault diagnosis of electrical equipment based on infrared image recognition[J]., 2014, 22(12): 171-173.

    [5] 趙慶生, 王雨瀅, 王旭平, 等. 基于新型閾值選擇方法的變電站紅外圖像分割[J]. 光學(xué)學(xué)報(bào), 2019, 39(8): 101-108.

    ZHAO Qingsheng, WANG Yuying, WANG Xuping. Substation infrared image segmentation based on novel threshold selection method[J]., 2019, 39(8): 101-108.

    [6] 余成波, 曾亮, 張林. 基于OTSU和區(qū)域生長的電氣設(shè)備多點(diǎn)故障分割[J]. 紅外技術(shù), 2018, 40(10): 1008-1012.

    YU Chengbo, ZENG Liang, ZHANG Lin. Multi point fault segmentation of electrical equipment based on OTSU and region growth[J]., 2018, 40(10): 1008-1012.

    [7] 王啟銀, 薛建東, 任新輝. 一種自適應(yīng)的變電站設(shè)備紅外圖像分割方法[J]. 紅外技術(shù), 2016, 38(9): 770-773.

    WANG Qiyin, XUE Jiandong, REN Xinhui. An Adaptive Segmentation Method of Substation Equipment Infrared Image[J]., 2016, 38(9): 770-773.

    [8] 許曉路, 周文, 周東國, 等. 基于PCNN分層聚類迭代的故障區(qū)域自動(dòng)提取方法[J]. 紅外技術(shù), 2020, 42(8): 809-814.

    XU Xiaolu, ZHOU Wen, ZHOU Dongguo. Automatic Fault region extraction using PCNN hierarchical clustering[J]., 2020, 42(8): 809-814.

    [9] 王旭紅, 李浩, 樊紹勝, 等. 基于改進(jìn)SSD的電力設(shè)備紅外圖像異常自動(dòng)檢測(cè)方法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(z1): 302-310.

    WANG Xuhong, LI Hao, FAN Shaosheng. Infrared image anomaly automatic detection method for power equipment based on improved single shot multi box detection[J]., 2020, 35(z1): 302-310.

    [10] 馮振新, 許曉路, 周東國, 等. 基于局部區(qū)域聚類的電力設(shè)備故障區(qū)域提取方法[J]. 電測(cè)與儀表, 2020, 57(8): 45-50.

    FENG Zhenxin, XU Xiaolu, ZHOU Dongguo. Extraction method of power device fault region based on local clustering algorithm[J]., 2020, 57(8): 45-50.

    [11] 王曉飛, 胡凡奎, 黃碩. 基于分布信息直覺模糊c均值聚類的紅外圖像分割算法[J].通信學(xué)報(bào), 2020, 41(5): 120-129.

    WANG Xiaofei, HU Fankui, HUANG Shuo. Infrared image segmentation algorithm based on distribution information intuitionistic fuzzy c-means clustering[J]., 2020, 41(5): 120-129.

    [12] GUO Zhengkun, SONG Yong, ZHAO Yufei, et al. An adaptive infrared image segmentation method based on fusion SPCNN[J]., 2020, 87(115905): 1-9.

    [13] TANG Qingju, GAO Shuaishuai, LIU Yongjie, et al. Infrared image segmentation algorithm for defect detection based on FODPSO[J]., 2020, DOI: 10.1016/j.image. 2020.115905.

    [14] ZHOU Dongguo, ZHOU Hong. Minimisation of local within-class variance for image segmentation[J]., 2016, 10(8): 608-615.

    [15] ZOU Yaobin, DONG Fangmin, LEI Bangjun. Maximum similarity thresholding[J]., 2014, 28: 120-135

    [16] 馬義德.脈沖耦合神經(jīng)網(wǎng)絡(luò)原理及其應(yīng)用[M]. 北京: 科學(xué)出版社, 2006.

    MA Yide.[M]. Beijing: Science Press, 2006

    [17] Kuntimad G, Ranganath H S. Perfect image segmentation using pulse coupled neural networks.[J]., 1999, 10(3): 591-598.

    PCNN Infrared Fault Region Detection Along Transmission Lines Based on the MST Framework

    GE Huangxu1,ZHENG Lei2,3,JIANG Hong1,GUO Yifan1,ZHOU Dongguo4

    (1.,314599,;2.,430074,;3.,211106,;4.,,430072,)

    This paper presents a pulse-coupled neural network (PCNN) method for infrared fault region extraction based on maximum similarity thresholding to detect the fault region from the infrared image of a transmission line. In this method, the synchronous pulse characteristics of the PCNN model are used to cluster pixels via inner iteration, and the model is simplified by incorporating the maximum similarity thresholding method, enabling the PCNN model to simplify the thresholding setting. Meanwhile, the minimum clustering variance is introduced to set the linking coefficient. Thus, the PCNN model can efficiently segment an infrared image and obtain the effective thermal fault region in the image. The experimental results show that the proposed method exhibits good performance in region extraction and may be suitable for increasing the efficiency of automatic fault detection along transmission lines.

    MST framework, PCNN, transmission line, infrared image; clustering

    TP391

    A

    1001-8891(2022)07-0709-07

    2019-01-02;

    2019-05-06.

    葛黃徐(1983-),男,浙江嘉興人,碩士,高級(jí)工程師,研究方向?yàn)檩斪冸娫O(shè)備遠(yuǎn)程運(yùn)維與管理。E-mail:329101854@qq.com。

    周東國(1985-),男,浙江上虞人,講師,博士,主要研究方向?yàn)榧t外圖像處理、模式識(shí)別及電力信息處理等方向。E-mail:dgzhou1985@whu.edu.cn。

    國家電網(wǎng)公司總部科技項(xiàng)目(521104180025)。

    猜你喜歡
    紅外神經(jīng)元聚類
    網(wǎng)紅外賣
    《從光子到神經(jīng)元》書評(píng)
    自然雜志(2021年6期)2021-12-23 08:24:46
    閃亮的中國紅外『芯』
    金橋(2021年4期)2021-05-21 08:19:20
    TS系列紅外傳感器在嵌入式控制系統(tǒng)中的應(yīng)用
    電子制作(2019年7期)2019-04-25 13:17:14
    躍動(dòng)的神經(jīng)元——波蘭Brain Embassy聯(lián)合辦公
    基于DBSACN聚類算法的XML文檔聚類
    基于快速遞推模糊2-劃分熵圖割的紅外圖像分割
    基于改進(jìn)的遺傳算法的模糊聚類算法
    基于二次型單神經(jīng)元PID的MPPT控制
    毫米波導(dǎo)引頭預(yù)定回路改進(jìn)單神經(jīng)元控制
    人妻 亚洲 视频| 亚洲精品第二区| 色婷婷久久久亚洲欧美| 欧美性感艳星| 国产极品天堂在线| 亚洲色图 男人天堂 中文字幕 | 人人妻人人爽人人添夜夜欢视频| 夜夜看夜夜爽夜夜摸| 一级毛片黄色毛片免费观看视频| 欧美三级亚洲精品| 永久网站在线| 在线天堂最新版资源| 国产成人精品无人区| 欧美日韩一区二区视频在线观看视频在线| 成人毛片60女人毛片免费| 成人毛片a级毛片在线播放| 老司机影院毛片| 黑丝袜美女国产一区| 午夜福利视频在线观看免费| 国产深夜福利视频在线观看| 亚洲不卡免费看| 国产精品麻豆人妻色哟哟久久| 亚洲不卡免费看| 欧美一级a爱片免费观看看| 一个人看视频在线观看www免费| 女性生殖器流出的白浆| 精品人妻在线不人妻| 九九爱精品视频在线观看| a 毛片基地| xxxhd国产人妻xxx| 有码 亚洲区| 久久久国产一区二区| 国产亚洲午夜精品一区二区久久| av播播在线观看一区| 色94色欧美一区二区| 日韩一区二区视频免费看| 天堂俺去俺来也www色官网| 精品卡一卡二卡四卡免费| 在线观看美女被高潮喷水网站| 日韩制服骚丝袜av| 国产一区二区三区av在线| 午夜福利网站1000一区二区三区| 看十八女毛片水多多多| 看十八女毛片水多多多| 国产男女超爽视频在线观看| 国产高清不卡午夜福利| 亚洲av二区三区四区| 精品酒店卫生间| 色94色欧美一区二区| 99国产综合亚洲精品| 亚洲av日韩在线播放| 男的添女的下面高潮视频| 永久免费av网站大全| 我的老师免费观看完整版| 男女啪啪激烈高潮av片| 国产精品无大码| 久久久久久伊人网av| 18禁裸乳无遮挡动漫免费视频| 男人操女人黄网站| 亚洲欧美一区二区三区黑人 | 一区二区av电影网| 视频区图区小说| 成人毛片60女人毛片免费| 尾随美女入室| 国产亚洲精品第一综合不卡 | 亚洲色图综合在线观看| 18禁裸乳无遮挡动漫免费视频| 欧美日韩成人在线一区二区| 亚洲经典国产精华液单| 亚洲丝袜综合中文字幕| 国产无遮挡羞羞视频在线观看| 18禁在线无遮挡免费观看视频| av国产久精品久网站免费入址| 最新中文字幕久久久久| 天堂中文最新版在线下载| 久久婷婷青草| 丝瓜视频免费看黄片| 熟女人妻精品中文字幕| 国产免费视频播放在线视频| 亚洲欧美日韩卡通动漫| 精品久久国产蜜桃| 亚州av有码| 精品久久久久久久久亚洲| 最新的欧美精品一区二区| 国产精品久久久久久久电影| 蜜桃在线观看..| av在线老鸭窝| 婷婷成人精品国产| 欧美少妇被猛烈插入视频| 高清黄色对白视频在线免费看| 国产色爽女视频免费观看| 国产一区有黄有色的免费视频| 久久精品国产鲁丝片午夜精品| 久久久久久人妻| 亚洲图色成人| a级毛片黄视频| 人妻少妇偷人精品九色| 五月天丁香电影| 一本大道久久a久久精品| 最近手机中文字幕大全| 美女福利国产在线| 久久综合国产亚洲精品| 国产亚洲欧美精品永久| 五月玫瑰六月丁香| 国产一区二区在线观看日韩| 中文天堂在线官网| 国产精品.久久久| 亚洲欧美成人精品一区二区| 日本91视频免费播放| 80岁老熟妇乱子伦牲交| 人妻制服诱惑在线中文字幕| 亚洲国产日韩一区二区| 国产一区二区三区综合在线观看 | 免费人妻精品一区二区三区视频| 国产淫语在线视频| 妹子高潮喷水视频| 亚洲精品成人av观看孕妇| 欧美xxxx性猛交bbbb| 国产精品99久久99久久久不卡 | 欧美少妇被猛烈插入视频| 日本vs欧美在线观看视频| 成人黄色视频免费在线看| 91午夜精品亚洲一区二区三区| 99视频精品全部免费 在线| 久久鲁丝午夜福利片| 国产精品人妻久久久久久| 免费黄频网站在线观看国产| 韩国av在线不卡| 国模一区二区三区四区视频| 精品国产乱码久久久久久小说| 亚洲av中文av极速乱| 久久人妻熟女aⅴ| 日本免费在线观看一区| 国产熟女欧美一区二区| 最近中文字幕2019免费版| 国产在线视频一区二区| 亚洲欧美成人精品一区二区| 久久精品熟女亚洲av麻豆精品| 国产片特级美女逼逼视频| 一边摸一边做爽爽视频免费| 高清欧美精品videossex| 最近中文字幕高清免费大全6| 激情五月婷婷亚洲| 制服人妻中文乱码| 免费av中文字幕在线| 国产亚洲欧美精品永久| 在线观看三级黄色| 久久久久久久久大av| 精品国产乱码久久久久久小说| 一区二区三区精品91| 日韩av在线免费看完整版不卡| 午夜福利网站1000一区二区三区| 你懂的网址亚洲精品在线观看| 波野结衣二区三区在线| 国产精品一区二区三区四区免费观看| 麻豆成人av视频| 久久久精品免费免费高清| 99国产精品免费福利视频| 国产av精品麻豆| 肉色欧美久久久久久久蜜桃| 波野结衣二区三区在线| 免费大片黄手机在线观看| 麻豆成人av视频| 麻豆成人av视频| 国产成人一区二区在线| 国产成人午夜福利电影在线观看| 久久狼人影院| 欧美97在线视频| 久久久久久久亚洲中文字幕| 精品人妻一区二区三区麻豆| 久久久久久久久久久丰满| 自线自在国产av| 免费黄网站久久成人精品| 一级毛片aaaaaa免费看小| 99久久精品一区二区三区| 亚洲精品美女久久av网站| 国产成人freesex在线| 国产免费一级a男人的天堂| 国产欧美日韩综合在线一区二区| 大片电影免费在线观看免费| 人人妻人人添人人爽欧美一区卜| 国产精品久久久久成人av| 曰老女人黄片| 少妇 在线观看| 飞空精品影院首页| 18禁观看日本| 国产成人精品一,二区| 亚洲第一av免费看| 欧美老熟妇乱子伦牲交| 亚洲av二区三区四区| 国产有黄有色有爽视频| 免费观看av网站的网址| 国产男女超爽视频在线观看| 成人综合一区亚洲| 欧美成人午夜免费资源| 亚洲五月色婷婷综合| 一级a做视频免费观看| 99久久综合免费| 国产老妇伦熟女老妇高清| 日韩 亚洲 欧美在线| 亚洲五月色婷婷综合| 欧美丝袜亚洲另类| 欧美 日韩 精品 国产| 亚洲人成网站在线播| 91成人精品电影| 久久精品熟女亚洲av麻豆精品| 国产av一区二区精品久久| 亚洲国产精品999| 亚洲av二区三区四区| 国产黄色免费在线视频| 日本av免费视频播放| 99久久中文字幕三级久久日本| 国产欧美日韩综合在线一区二区| 免费高清在线观看视频在线观看| a级毛片在线看网站| 中文欧美无线码| 亚洲欧美成人综合另类久久久| 亚洲精品乱久久久久久| 自拍欧美九色日韩亚洲蝌蚪91| 各种免费的搞黄视频| 亚洲综合色网址| 人人妻人人添人人爽欧美一区卜| 天堂8中文在线网| 国产精品嫩草影院av在线观看| 天堂俺去俺来也www色官网| 老女人水多毛片| 国产成人freesex在线| 久久免费观看电影| 各种免费的搞黄视频| 一级a做视频免费观看| 在线观看免费高清a一片| 99热这里只有精品一区| 99国产精品免费福利视频| 少妇被粗大猛烈的视频| 国产成人免费无遮挡视频| 热re99久久精品国产66热6| 亚洲国产精品999| 男人操女人黄网站| 在线观看美女被高潮喷水网站| 在线观看www视频免费| 国产毛片在线视频| 日韩伦理黄色片| 美女内射精品一级片tv| 国产日韩欧美亚洲二区| 欧美 日韩 精品 国产| 伦精品一区二区三区| 亚洲精品,欧美精品| 成人漫画全彩无遮挡| 麻豆精品久久久久久蜜桃| 国产成人午夜福利电影在线观看| 亚洲精品自拍成人| 少妇人妻久久综合中文| av国产精品久久久久影院| 下体分泌物呈黄色| 极品少妇高潮喷水抽搐| 日韩熟女老妇一区二区性免费视频| 一区在线观看完整版| 人人澡人人妻人| 超碰97精品在线观看| 久久久久久久久久成人| av在线观看视频网站免费| av一本久久久久| 麻豆乱淫一区二区| 18+在线观看网站| 2022亚洲国产成人精品| 久久午夜综合久久蜜桃| 麻豆精品久久久久久蜜桃| 国产成人一区二区在线| 国产精品一国产av| 国精品久久久久久国模美| 99热这里只有是精品在线观看| 精品久久久噜噜| 日韩熟女老妇一区二区性免费视频| 三级国产精品欧美在线观看| 成人黄色视频免费在线看| 97超视频在线观看视频| 黄色怎么调成土黄色| 最近的中文字幕免费完整| 超碰97精品在线观看| 日韩视频在线欧美| 黄色一级大片看看| 母亲3免费完整高清在线观看 | 日韩av不卡免费在线播放| 久久精品国产自在天天线| 日韩av免费高清视频| 国产免费视频播放在线视频| 狂野欧美白嫩少妇大欣赏| 高清毛片免费看| kizo精华| 午夜福利在线观看免费完整高清在| 国产精品无大码| 国产国拍精品亚洲av在线观看| 91久久精品国产一区二区成人| 狂野欧美白嫩少妇大欣赏| 久久久久久久久久久丰满| 欧美变态另类bdsm刘玥| 国产av码专区亚洲av| 亚洲精品视频女| 欧美bdsm另类| 欧美精品国产亚洲| 校园人妻丝袜中文字幕| 亚洲精品日本国产第一区| 嘟嘟电影网在线观看| 在线播放无遮挡| 国产午夜精品久久久久久一区二区三区| 男女国产视频网站| 亚洲精品日本国产第一区| 久久久久久久亚洲中文字幕| 性高湖久久久久久久久免费观看| 亚洲激情五月婷婷啪啪| 一本—道久久a久久精品蜜桃钙片| 久久精品久久精品一区二区三区| 久久久久国产精品人妻一区二区| av黄色大香蕉| 尾随美女入室| 精品人妻偷拍中文字幕| 3wmmmm亚洲av在线观看| a级毛片免费高清观看在线播放| 热re99久久国产66热| 国产69精品久久久久777片| 在线观看免费视频网站a站| 天天影视国产精品| 成年女人在线观看亚洲视频| 看十八女毛片水多多多| 国产极品天堂在线| 大码成人一级视频| 日日摸夜夜添夜夜爱| 一边摸一边做爽爽视频免费| 日韩视频在线欧美| 99精国产麻豆久久婷婷| 3wmmmm亚洲av在线观看| 制服人妻中文乱码| 久久久久精品性色| 国产亚洲精品第一综合不卡 | 黑人巨大精品欧美一区二区蜜桃 | 中文乱码字字幕精品一区二区三区| 国产视频内射| 久久久久久久亚洲中文字幕| 女人久久www免费人成看片| 如日韩欧美国产精品一区二区三区 | 亚洲精品乱码久久久v下载方式| 国产伦理片在线播放av一区| 国产熟女欧美一区二区| 寂寞人妻少妇视频99o| 亚洲国产精品专区欧美| av在线播放精品| 国产乱来视频区| 日韩一区二区视频免费看| 夜夜看夜夜爽夜夜摸| 国产欧美日韩综合在线一区二区| 成人影院久久| 简卡轻食公司| 亚洲第一av免费看| 肉色欧美久久久久久久蜜桃| 国产伦精品一区二区三区视频9| 高清毛片免费看| 日本黄色日本黄色录像| 美女主播在线视频| 午夜福利视频精品| 亚洲精品乱码久久久v下载方式| 日本黄色日本黄色录像| 欧美日韩在线观看h| 美女xxoo啪啪120秒动态图| 成人二区视频| 亚洲在久久综合| 国产一区二区三区av在线| 久久久久久久精品精品| 婷婷成人精品国产| 看免费成人av毛片| av免费观看日本| 免费大片18禁| 人妻系列 视频| 亚洲精华国产精华液的使用体验| 人成视频在线观看免费观看| 中国三级夫妇交换| 最后的刺客免费高清国语| av线在线观看网站| 人人妻人人澡人人爽人人夜夜| 26uuu在线亚洲综合色| 日日爽夜夜爽网站| 国产色婷婷99| 国产国语露脸激情在线看| 黄色视频在线播放观看不卡| 国产又色又爽无遮挡免| 男女边摸边吃奶| 亚洲精品国产色婷婷电影| 久久99热6这里只有精品| 亚洲性久久影院| 亚洲天堂av无毛| 亚洲欧美日韩卡通动漫| 狠狠精品人妻久久久久久综合| 精品酒店卫生间| av福利片在线| 在线观看免费高清a一片| av线在线观看网站| 五月开心婷婷网| 日韩不卡一区二区三区视频在线| 丝袜美足系列| 国产日韩欧美亚洲二区| 国产男女超爽视频在线观看| 亚洲美女视频黄频| 久久97久久精品| 亚洲av不卡在线观看| 波野结衣二区三区在线| 国产精品秋霞免费鲁丝片| 美女cb高潮喷水在线观看| 欧美精品高潮呻吟av久久| a级毛片在线看网站| 久久ye,这里只有精品| 久久精品久久久久久久性| 国产成人午夜福利电影在线观看| 2022亚洲国产成人精品| 99九九线精品视频在线观看视频| 亚洲国产欧美日韩在线播放| 在线天堂最新版资源| 啦啦啦在线观看免费高清www| 最近的中文字幕免费完整| 精品少妇黑人巨大在线播放| 日韩伦理黄色片| 免费日韩欧美在线观看| 国产又色又爽无遮挡免| 亚洲色图 男人天堂 中文字幕 | 边亲边吃奶的免费视频| 亚洲婷婷狠狠爱综合网| 在线播放无遮挡| 久久久久视频综合| 在线免费观看不下载黄p国产| 国产白丝娇喘喷水9色精品| 日韩av免费高清视频| 午夜精品国产一区二区电影| 亚洲欧美一区二区三区黑人 | 女性生殖器流出的白浆| 国国产精品蜜臀av免费| 黑人巨大精品欧美一区二区蜜桃 | 日本黄大片高清| 黑人欧美特级aaaaaa片| 亚洲av不卡在线观看| 国产白丝娇喘喷水9色精品| 欧美人与性动交α欧美精品济南到 | 亚洲成色77777| 欧美日韩成人在线一区二区| 久久 成人 亚洲| 日本91视频免费播放| 亚洲精品aⅴ在线观看| 国产视频首页在线观看| 日本黄色片子视频| 九草在线视频观看| 亚洲国产av新网站| 中文字幕精品免费在线观看视频 | 下体分泌物呈黄色| 国产精品不卡视频一区二区| 69精品国产乱码久久久| 亚洲婷婷狠狠爱综合网| 国产欧美日韩一区二区三区在线 | 大片电影免费在线观看免费| 热re99久久国产66热| 18禁在线播放成人免费| 亚洲精品第二区| 亚洲av二区三区四区| √禁漫天堂资源中文www| 嘟嘟电影网在线观看| 免费观看av网站的网址| 搡老乐熟女国产| 久久精品国产亚洲av天美| 欧美日韩国产mv在线观看视频| 夜夜爽夜夜爽视频| 中文欧美无线码| 亚洲国产最新在线播放| 久热这里只有精品99| 91aial.com中文字幕在线观看| 亚洲婷婷狠狠爱综合网| 精品一品国产午夜福利视频| 亚洲熟女精品中文字幕| 亚洲欧美清纯卡通| 尾随美女入室| 美女国产视频在线观看| 最近的中文字幕免费完整| 大香蕉久久网| 国产亚洲欧美精品永久| 高清在线视频一区二区三区| 99热国产这里只有精品6| a级毛色黄片| 成人毛片a级毛片在线播放| 久久青草综合色| 日韩视频在线欧美| 国产熟女午夜一区二区三区 | 亚洲国产精品999| 国产成人免费观看mmmm| 麻豆乱淫一区二区| 久久女婷五月综合色啪小说| 丰满乱子伦码专区| 中文字幕制服av| 22中文网久久字幕| 插阴视频在线观看视频| 99精国产麻豆久久婷婷| 一区二区三区四区激情视频| 免费看光身美女| 久久久久久伊人网av| 亚洲成人一二三区av| 亚洲国产精品一区二区三区在线| 国产日韩一区二区三区精品不卡 | 一级毛片aaaaaa免费看小| 成人黄色视频免费在线看| 熟女人妻精品中文字幕| 女人久久www免费人成看片| 国产综合精华液| 午夜视频国产福利| 国产精品免费大片| 久久精品国产a三级三级三级| 亚洲精品亚洲一区二区| 欧美日韩国产mv在线观看视频| a级片在线免费高清观看视频| 精品久久国产蜜桃| 精品人妻一区二区三区麻豆| av在线观看视频网站免费| 高清欧美精品videossex| 国产一区二区三区综合在线观看 | 亚洲天堂av无毛| 男人爽女人下面视频在线观看| 国产一区二区三区综合在线观看 | 看非洲黑人一级黄片| 人妻少妇偷人精品九色| 国产av精品麻豆| 丝袜美足系列| 久久国产精品大桥未久av| 91精品伊人久久大香线蕉| 亚洲性久久影院| 中国三级夫妇交换| 晚上一个人看的免费电影| 亚洲av日韩在线播放| 黄色毛片三级朝国网站| 亚洲人成网站在线观看播放| 男人操女人黄网站| 曰老女人黄片| 久久久久久久久久人人人人人人| 日韩强制内射视频| 亚洲欧美色中文字幕在线| 日本午夜av视频| 日韩 亚洲 欧美在线| 久久女婷五月综合色啪小说| 亚洲精品国产色婷婷电影| 亚洲国产毛片av蜜桃av| 成人黄色视频免费在线看| 国产精品久久久久久精品电影小说| 十八禁网站网址无遮挡| 国产亚洲最大av| 久久这里有精品视频免费| 十分钟在线观看高清视频www| 久久久久久久国产电影| 一区在线观看完整版| 日韩一区二区三区影片| 人成视频在线观看免费观看| 国产精品久久久久成人av| 99国产综合亚洲精品| 亚洲欧美日韩卡通动漫| 久久久久久久久久成人| 久久午夜综合久久蜜桃| 精品一区二区三卡| 成人国产av品久久久| 国产高清三级在线| 最黄视频免费看| 香蕉精品网在线| 最新中文字幕久久久久| 亚洲精品国产av蜜桃| 街头女战士在线观看网站| 最近的中文字幕免费完整| 久久99一区二区三区| 国产亚洲精品久久久com| 久久99一区二区三区| 欧美 亚洲 国产 日韩一| 大话2 男鬼变身卡| 日韩亚洲欧美综合| 美女大奶头黄色视频| 国产精品嫩草影院av在线观看| 久久久久久久久久久久大奶| 亚洲国产色片| 国产成人精品久久久久久| 美女内射精品一级片tv| 欧美激情极品国产一区二区三区 | 日本vs欧美在线观看视频| 国产爽快片一区二区三区| 亚洲色图 男人天堂 中文字幕 | 五月玫瑰六月丁香| 午夜福利视频在线观看免费| 人人妻人人澡人人看| 国产爽快片一区二区三区| 大香蕉久久成人网| 秋霞在线观看毛片| 国产黄色免费在线视频| 亚洲欧美日韩另类电影网站| 超色免费av| 国产精品国产三级国产专区5o| 91久久精品电影网| 五月天丁香电影| 日本-黄色视频高清免费观看| 一区二区三区免费毛片| 国产成人freesex在线| 青春草亚洲视频在线观看| 国产成人午夜福利电影在线观看| 国产亚洲最大av| 91精品一卡2卡3卡4卡| 激情五月婷婷亚洲| kizo精华| 啦啦啦视频在线资源免费观看| 久久久国产精品麻豆| 最近手机中文字幕大全| 人妻夜夜爽99麻豆av| 亚洲欧美日韩另类电影网站| 亚洲美女黄色视频免费看| 国产精品久久久久久久久免| 哪个播放器可以免费观看大片| 国产爽快片一区二区三区| 九九久久精品国产亚洲av麻豆| 国产在线一区二区三区精| 亚洲国产av新网站|