• <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
    寂寞人妻少妇视频99o| 亚洲成人av在线免费| 亚洲国产欧美在线一区| 免费人成在线观看视频色| 亚洲欧美清纯卡通| 亚洲精品国产成人久久av| 观看美女的网站| 成人午夜高清在线视频| 国产人妻一区二区三区在| 少妇人妻精品综合一区二区| 高清欧美精品videossex| 免费观看的影片在线观看| 国产黄色视频一区二区在线观看| 欧美极品一区二区三区四区| 亚洲精品一区蜜桃| 97超碰精品成人国产| 少妇熟女aⅴ在线视频| 人体艺术视频欧美日本| 纵有疾风起免费观看全集完整版 | 亚洲精品国产av蜜桃| 免费观看精品视频网站| 亚洲高清免费不卡视频| 两个人视频免费观看高清| 别揉我奶头 嗯啊视频| 18禁在线播放成人免费| 亚洲最大成人av| 亚洲精品国产成人久久av| 久久久成人免费电影| 久久这里只有精品中国| 你懂的网址亚洲精品在线观看| 国产一区二区三区综合在线观看 | 丝袜喷水一区| 尤物成人国产欧美一区二区三区| 人人妻人人看人人澡| av福利片在线观看| 国产女主播在线喷水免费视频网站 | 国产精品一二三区在线看| 国产亚洲精品久久久com| 国产男人的电影天堂91| 国产午夜精品一二区理论片| 日本一二三区视频观看| 国产伦精品一区二区三区四那| 春色校园在线视频观看| 日韩av在线大香蕉| 激情 狠狠 欧美| av又黄又爽大尺度在线免费看| 精华霜和精华液先用哪个| 色吧在线观看| 人人妻人人澡欧美一区二区| 国产成年人精品一区二区| 一级毛片久久久久久久久女| 老司机影院成人| 免费看日本二区| 国产日韩欧美在线精品| 少妇高潮的动态图| 亚洲欧美日韩无卡精品| 五月玫瑰六月丁香| 能在线免费看毛片的网站| 一级黄片播放器| 久久精品国产亚洲av天美| 久久精品熟女亚洲av麻豆精品 | 国产精品一二三区在线看| av线在线观看网站| 一个人看视频在线观看www免费| 国产精品久久久久久久电影| 日韩中字成人| 听说在线观看完整版免费高清| 最近中文字幕高清免费大全6| 老司机影院成人| 男人爽女人下面视频在线观看| 久久久久久久大尺度免费视频| 国产淫语在线视频| 国产精品久久久久久久电影| 国产 一区精品| 国产av不卡久久| 毛片一级片免费看久久久久| 韩国高清视频一区二区三区| 99热这里只有是精品50| 国内精品一区二区在线观看| av在线蜜桃| 免费播放大片免费观看视频在线观看| 国产黄色小视频在线观看| 午夜免费激情av| 欧美3d第一页| 精品久久久久久久人妻蜜臀av| 亚洲国产高清在线一区二区三| 国产 一区精品| 97在线视频观看| 亚洲精品影视一区二区三区av| 久99久视频精品免费| 亚洲不卡免费看| 亚洲精华国产精华液的使用体验| 精品不卡国产一区二区三区| 亚洲av成人精品一二三区| av一本久久久久| 观看美女的网站| 麻豆成人午夜福利视频| 三级国产精品片| 亚洲久久久久久中文字幕| 国产91av在线免费观看| 啦啦啦韩国在线观看视频| av天堂中文字幕网| 亚洲熟女精品中文字幕| 夫妻午夜视频| 美女cb高潮喷水在线观看| 特大巨黑吊av在线直播| 国产综合懂色| 老司机影院毛片| 91av网一区二区| 男女边吃奶边做爰视频| 成人性生交大片免费视频hd| 蜜桃亚洲精品一区二区三区| 日韩在线高清观看一区二区三区| 自拍偷自拍亚洲精品老妇| 有码 亚洲区| 一个人观看的视频www高清免费观看| a级毛色黄片| 国产高清三级在线| 99视频精品全部免费 在线| 日韩欧美精品v在线| 亚洲美女视频黄频| 最后的刺客免费高清国语| 日韩欧美三级三区| 国产av国产精品国产| 日日干狠狠操夜夜爽| 亚洲精品久久久久久婷婷小说| 精品久久久噜噜| 国产美女午夜福利| 国产一区二区亚洲精品在线观看| 大香蕉久久网| 特级一级黄色大片| 小蜜桃在线观看免费完整版高清| 人人妻人人看人人澡| 欧美变态另类bdsm刘玥| 赤兔流量卡办理| 特级一级黄色大片| 九九在线视频观看精品| 亚洲欧洲国产日韩| 亚洲aⅴ乱码一区二区在线播放| 欧美丝袜亚洲另类| 99久久精品一区二区三区| 国产老妇女一区| 久久精品国产自在天天线| 中国国产av一级| 亚洲欧美一区二区三区国产| 免费黄频网站在线观看国产| 日本免费在线观看一区| 精品久久久久久电影网| 天天躁日日操中文字幕| 91在线精品国自产拍蜜月| 国产午夜精品论理片| 一本一本综合久久| 激情五月婷婷亚洲| 国产精品日韩av在线免费观看| 高清av免费在线| 国产精品国产三级国产av玫瑰| 国产一区二区亚洲精品在线观看| 国产精品嫩草影院av在线观看| 久久久久久久国产电影| 国产精品99久久久久久久久| 2021天堂中文幕一二区在线观| 久久久久久国产a免费观看| 一区二区三区免费毛片| 亚洲精品一区蜜桃| 免费看a级黄色片| 午夜福利视频1000在线观看| 男插女下体视频免费在线播放| 午夜精品一区二区三区免费看| 久久久亚洲精品成人影院| 26uuu在线亚洲综合色| 亚洲国产最新在线播放| 成年女人在线观看亚洲视频 | 男的添女的下面高潮视频| 97在线视频观看| 欧美日韩亚洲高清精品| 国内少妇人妻偷人精品xxx网站| 久久综合国产亚洲精品| 丝瓜视频免费看黄片| 国产午夜福利久久久久久| 精品久久国产蜜桃| 极品教师在线视频| 男女边摸边吃奶| 国产高清有码在线观看视频| 成年女人在线观看亚洲视频 | av在线观看视频网站免费| 亚洲一级一片aⅴ在线观看| 亚洲精品国产成人久久av| 精品欧美国产一区二区三| 丝袜喷水一区| 成年版毛片免费区| 日韩av在线免费看完整版不卡| 最近最新中文字幕免费大全7| 国产高清有码在线观看视频| 国产亚洲一区二区精品| 国产伦理片在线播放av一区| 精品久久久久久电影网| 国产视频内射| 高清午夜精品一区二区三区| 日本av手机在线免费观看| 久久久a久久爽久久v久久| 久久久午夜欧美精品| 18禁在线无遮挡免费观看视频| 联通29元200g的流量卡| 久久这里只有精品中国| 免费看av在线观看网站| 永久网站在线| 日韩av在线大香蕉| 91精品一卡2卡3卡4卡| 亚洲精品成人久久久久久| 男插女下体视频免费在线播放| av在线亚洲专区| 久久久久久伊人网av| 韩国av在线不卡| 三级男女做爰猛烈吃奶摸视频| 国产精品日韩av在线免费观看| 内地一区二区视频在线| 免费看a级黄色片| 国产在视频线精品| 岛国毛片在线播放| 舔av片在线| 久久久久久久久久久丰满| 男女啪啪激烈高潮av片| 久久国内精品自在自线图片| 亚洲在久久综合| 午夜激情久久久久久久| 亚洲精品一区蜜桃| 免费观看a级毛片全部| 午夜精品在线福利| 久久久久久久久久人人人人人人| 91在线精品国自产拍蜜月| 联通29元200g的流量卡| 国产成人91sexporn| 97精品久久久久久久久久精品| 亚洲av二区三区四区| 色综合站精品国产| 亚洲图色成人| 黄片无遮挡物在线观看| 在线免费十八禁| 久久久久国产网址| 亚洲精品国产成人久久av| 天堂影院成人在线观看| 在线观看一区二区三区| 免费黄色在线免费观看| 成年女人看的毛片在线观看| 18禁在线无遮挡免费观看视频| 欧美日本视频| 亚洲av不卡在线观看| 国产成人精品久久久久久| 舔av片在线| 日本一本二区三区精品| 少妇被粗大猛烈的视频| 麻豆精品久久久久久蜜桃| 精品国产露脸久久av麻豆 | 国产免费又黄又爽又色| 日本色播在线视频| 秋霞在线观看毛片| 日韩欧美 国产精品| 少妇猛男粗大的猛烈进出视频 | 婷婷色麻豆天堂久久| 深爱激情五月婷婷| 国产精品人妻久久久久久| 亚洲综合色惰| 国产久久久一区二区三区| 欧美精品一区二区大全| 日韩强制内射视频| 麻豆av噜噜一区二区三区| 日韩电影二区| 精品人妻偷拍中文字幕| 91久久精品国产一区二区三区| 简卡轻食公司| 欧美潮喷喷水| 久久久午夜欧美精品| 亚洲最大成人av| 少妇熟女欧美另类| 内射极品少妇av片p| 亚洲欧洲国产日韩| 免费看日本二区| 日韩人妻高清精品专区| 一区二区三区乱码不卡18| 亚洲欧美日韩东京热| 淫秽高清视频在线观看| 久久精品熟女亚洲av麻豆精品 | 成年免费大片在线观看| 亚洲精品aⅴ在线观看| 国产视频首页在线观看| 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| 久久99精品国语久久久| 欧美一区二区亚洲| 又爽又黄无遮挡网站| 少妇熟女aⅴ在线视频| 日本wwww免费看| 日本欧美国产在线视频| 在线a可以看的网站| 在线观看美女被高潮喷水网站| 日韩电影二区| 国产av不卡久久| 国产大屁股一区二区在线视频| 欧美bdsm另类| 极品教师在线视频| 亚洲成人中文字幕在线播放| 亚洲一区高清亚洲精品| 亚洲精品久久久久久婷婷小说| 久久久久网色| 亚洲欧美一区二区三区黑人 | 大话2 男鬼变身卡| 禁无遮挡网站| 夜夜看夜夜爽夜夜摸| av卡一久久| 十八禁网站网址无遮挡 | 中国美白少妇内射xxxbb| 精品久久久久久久久av| 可以在线观看毛片的网站| 99久久中文字幕三级久久日本| 午夜精品国产一区二区电影 | 热99在线观看视频| 欧美日韩亚洲高清精品| 91aial.com中文字幕在线观看| 国产成人aa在线观看| 欧美日韩一区二区视频在线观看视频在线 | 少妇人妻一区二区三区视频| 少妇熟女欧美另类| 亚洲精品亚洲一区二区| 在线免费十八禁| 插逼视频在线观看| 69人妻影院| 伦精品一区二区三区| 91久久精品国产一区二区三区| 久久精品熟女亚洲av麻豆精品 | 午夜精品国产一区二区电影 | av免费在线看不卡| 精品亚洲乱码少妇综合久久| 九九久久精品国产亚洲av麻豆| 亚洲av电影不卡..在线观看| 久久精品久久久久久噜噜老黄| 亚洲一区高清亚洲精品| 哪个播放器可以免费观看大片| 久久人人爽人人片av| 男的添女的下面高潮视频| 亚洲四区av| 欧美日韩综合久久久久久| 欧美zozozo另类| 精品少妇黑人巨大在线播放| 一区二区三区四区激情视频| 欧美激情久久久久久爽电影| 欧美zozozo另类| 国产一区二区三区综合在线观看 | 男女边吃奶边做爰视频| 天堂网av新在线| 欧美日韩精品成人综合77777| 91久久精品国产一区二区成人| 亚洲天堂国产精品一区在线| 欧美精品一区二区大全| 日韩成人av中文字幕在线观看| 亚洲精品一区蜜桃| 午夜日本视频在线| 一个人观看的视频www高清免费观看| 精品一区二区三卡| 有码 亚洲区| 一级毛片aaaaaa免费看小| 亚洲18禁久久av| 真实男女啪啪啪动态图| av又黄又爽大尺度在线免费看| av在线老鸭窝| 777米奇影视久久| 男女那种视频在线观看| 久久人人爽人人爽人人片va| 可以在线观看毛片的网站| 我的女老师完整版在线观看| 99久国产av精品| 国产女主播在线喷水免费视频网站 | 男人和女人高潮做爰伦理| 国产成人一区二区在线| 亚洲一级一片aⅴ在线观看| 久久精品久久久久久久性| 欧美日韩综合久久久久久| 青春草亚洲视频在线观看| 精品99又大又爽又粗少妇毛片| 中文欧美无线码| 国产精品一区www在线观看| 国产高潮美女av| 好男人在线观看高清免费视频| 亚洲成人av在线免费| av国产久精品久网站免费入址| 国产男女超爽视频在线观看| 97热精品久久久久久| 波多野结衣巨乳人妻| 亚洲综合色惰| 国产免费又黄又爽又色| 亚洲精品乱久久久久久| 99热这里只有精品一区| 亚洲国产精品sss在线观看| 久热久热在线精品观看| 国产伦精品一区二区三区视频9| 亚洲人成网站在线播| 国产不卡一卡二| 日本三级黄在线观看| 免费av毛片视频| 久久精品国产鲁丝片午夜精品| 两个人视频免费观看高清| 18+在线观看网站| 精品一区在线观看国产| 尾随美女入室| 久久97久久精品| 99久久九九国产精品国产免费| 性插视频无遮挡在线免费观看| 成年版毛片免费区| 亚洲精品国产av成人精品| 精品熟女少妇av免费看| 好男人在线观看高清免费视频| 成人毛片a级毛片在线播放| 欧美xxxx性猛交bbbb| 亚洲真实伦在线观看| 亚洲精品456在线播放app| 26uuu在线亚洲综合色| 亚洲不卡免费看| 国产精品一及| 秋霞伦理黄片| 一级二级三级毛片免费看| 内射极品少妇av片p| 91久久精品国产一区二区成人| 波野结衣二区三区在线| 国产免费视频播放在线视频 | 午夜爱爱视频在线播放| av.在线天堂| 色播亚洲综合网| 亚洲在线观看片| av播播在线观看一区| 久久精品夜色国产| 亚洲成人av在线免费| 搡老乐熟女国产| 亚洲在线自拍视频| 国产精品av视频在线免费观看| 秋霞在线观看毛片| 寂寞人妻少妇视频99o| 久久午夜福利片| 日本熟妇午夜| 啦啦啦中文免费视频观看日本| 成人亚洲精品一区在线观看 | 欧美日韩精品成人综合77777| 色尼玛亚洲综合影院| 我的女老师完整版在线观看| 国产伦精品一区二区三区四那| 亚洲av电影在线观看一区二区三区 | 美女被艹到高潮喷水动态| 成人毛片a级毛片在线播放| 超碰av人人做人人爽久久| 久久精品国产亚洲av涩爱| 卡戴珊不雅视频在线播放| 在线天堂最新版资源| 日韩亚洲欧美综合| 人人妻人人澡欧美一区二区| 欧美成人午夜免费资源| av又黄又爽大尺度在线免费看| 成人午夜精彩视频在线观看| 亚洲精品久久午夜乱码| 美女脱内裤让男人舔精品视频| 好男人在线观看高清免费视频| 男人舔奶头视频| 欧美丝袜亚洲另类| 久久精品夜夜夜夜夜久久蜜豆| 亚洲天堂国产精品一区在线| 97在线视频观看| 熟妇人妻久久中文字幕3abv| 日韩欧美精品免费久久| 国产乱人视频| 亚洲av电影不卡..在线观看| 亚洲精品色激情综合| 看黄色毛片网站| 日韩成人av中文字幕在线观看| 欧美最新免费一区二区三区| 成人av在线播放网站| 亚洲欧美精品专区久久| 国产乱人偷精品视频| 中文精品一卡2卡3卡4更新| 日韩在线高清观看一区二区三区| 欧美激情在线99| 国产有黄有色有爽视频| 国产中年淑女户外野战色| 国产真实伦视频高清在线观看| 国产在线一区二区三区精| 777米奇影视久久| 日韩成人伦理影院| 欧美xxxx黑人xx丫x性爽| 日本黄大片高清| 青春草国产在线视频| 少妇被粗大猛烈的视频| 精品久久久噜噜| 青春草亚洲视频在线观看| 三级经典国产精品| 人妻少妇偷人精品九色| 97人妻精品一区二区三区麻豆| 乱码一卡2卡4卡精品| 男女边吃奶边做爰视频| 国产成人精品福利久久| 久久久久网色| 亚洲精品日韩av片在线观看| 亚洲天堂国产精品一区在线| 狂野欧美激情性xxxx在线观看| 十八禁网站网址无遮挡 | 22中文网久久字幕| 亚洲精品中文字幕在线视频 | 国产精品蜜桃在线观看| av又黄又爽大尺度在线免费看| 国产亚洲精品av在线| 亚洲精品影视一区二区三区av| 91久久精品电影网| 亚洲国产成人一精品久久久| 亚洲18禁久久av| 麻豆成人av视频| 一级毛片我不卡| 一区二区三区高清视频在线| 女的被弄到高潮叫床怎么办| 亚洲国产欧美在线一区| 内射极品少妇av片p| 婷婷色综合www| 亚洲真实伦在线观看| 久久精品国产鲁丝片午夜精品| 亚洲欧洲日产国产| 国产精品.久久久| av女优亚洲男人天堂| 亚洲成人中文字幕在线播放| 午夜精品一区二区三区免费看| 欧美日韩视频高清一区二区三区二| 插逼视频在线观看| 色视频www国产| 菩萨蛮人人尽说江南好唐韦庄| 亚洲av中文字字幕乱码综合| 午夜福利视频精品| 成人毛片a级毛片在线播放| 特大巨黑吊av在线直播| 国产av不卡久久| 人妻制服诱惑在线中文字幕| 亚洲国产色片| 最新中文字幕久久久久| 欧美潮喷喷水| 久久韩国三级中文字幕| 久久热精品热| 99久久人妻综合| 精品一区在线观看国产| 国产高清不卡午夜福利| 麻豆乱淫一区二区| 免费电影在线观看免费观看| 亚洲精华国产精华液的使用体验| 午夜老司机福利剧场| 男女边摸边吃奶| av线在线观看网站| 嫩草影院精品99| 熟女电影av网| 国产视频内射| 日韩三级伦理在线观看| 不卡视频在线观看欧美| 亚洲国产精品成人久久小说| 精品久久久久久久久亚洲| 天堂网av新在线| 日日干狠狠操夜夜爽| 亚洲国产高清在线一区二区三| 国产淫片久久久久久久久| 日日啪夜夜撸| 如何舔出高潮| 久久久成人免费电影| 精品国内亚洲2022精品成人| 亚洲精品国产成人久久av| 亚洲,欧美,日韩| 国产精品久久视频播放| 国产av在哪里看| 国产亚洲av片在线观看秒播厂 | 秋霞伦理黄片| 一个人观看的视频www高清免费观看| 日韩av不卡免费在线播放| 伊人久久国产一区二区| 免费大片18禁| 亚洲欧美一区二区三区黑人 | 久久久久久久久久黄片| 国产精品99久久久久久久久| 国产老妇伦熟女老妇高清| av国产免费在线观看| 日韩一区二区视频免费看| av卡一久久| av在线观看视频网站免费| 久久久久久久亚洲中文字幕| 成人午夜高清在线视频| 91午夜精品亚洲一区二区三区| 欧美成人午夜免费资源| 亚洲av电影在线观看一区二区三区 | 成人毛片a级毛片在线播放| 国产久久久一区二区三区| 国产视频首页在线观看| 全区人妻精品视频| 晚上一个人看的免费电影| 精品久久久久久久久av| 国产高清不卡午夜福利| 美女高潮的动态| 一边亲一边摸免费视频| 免费av不卡在线播放| 啦啦啦啦在线视频资源| 亚洲国产欧美在线一区| 成人亚洲精品一区在线观看 | 日日啪夜夜撸| 又黄又爽又刺激的免费视频.| 午夜亚洲福利在线播放| 国产永久视频网站| 国产大屁股一区二区在线视频| 搡老妇女老女人老熟妇| 国产乱人视频| 国产色爽女视频免费观看| 欧美激情在线99| 汤姆久久久久久久影院中文字幕 | 日本wwww免费看| 人妻一区二区av| 精品一区二区三区视频在线| 日韩制服骚丝袜av| 国产伦在线观看视频一区| 男人爽女人下面视频在线观看| 亚洲伊人久久精品综合|