IR Image Classification and Detection of Power Equipment Based on CBAM Improvement
-
摘要:
针对复杂环境下电力设备红外图像的深度学习目标检测数据繁杂、检测精度较低等问题，本文提出一种基于卷积块注意模块（Convolutional Block Attention Module，CBAM）改进YOLOv7的电力设备红外图像分类算法。首先将已有数据集进行标注，并按一定比例划分成训练集、验证集以及测试集，然后在YOLOv7的主干网络中引入CBAM，使模型能对感兴趣的区域进行强调并抑制无用信息，其次将划分好的数据集放入改进后的YOLOv7进行模型训练，同时对比了6种改进的YOLOv5s模型。实验结果表明，在相同实验条件下改进YOLOv7模型优于YOLOv7模型、YOLOv5s模型和基于YOLOv5s的6种注意力模型。改进YOLOv7性能有明显提升，可实现快速、精准的红外图像分类。
Abstract:To address the problems of complicated data and low detection accuracy for deep-learning target detection of IR images of power equipment in complex environments, this study proposes a convolutional block attention module (CBAM) based on YOLOv7 to improve the classification algorithm for IR images of power equipment. First, the existing dataset is labeled and divided into training, validation, and test sets in a certain proportion and then introduced into the backbone network of YOLOv7 to enable the model to emphasize the region of interest and suppress useless information. Second, the divided dataset is put into the improved YOLOv7 for model training, and six improved YOLOv5s models are compared. The experimental results show that the improved YOLOv7 model outperforms YOLOv7, YOLOv5s, and six attention models based on YOLOv5s under the same experimental conditions. The improved YOLOv7 exhibits significantly improved performance and achieves fast and accurate IR image classification.
-
Keywords:
- power equipment /
- YOLOv7 /
- infrared image /
- CBAM
-
0. 引言
远红外辐照（Far infrared radiation，FIR）技术是一种新型的食品干燥技术，具有经济、高效、设备简单易操作等特点。由于红外线有很强的穿透力，能直接穿透厚层的不透明体[1]，因而远红外干燥技术的应用越来越广泛，尤其是对植物性原料的干燥[2]。针对远红外干燥技术在食品干燥方面的研究，主要集中在以下3个方面：一是远红外干燥工艺条件的探究，申彩英[3]等、胡洁[4]、罗剑毅[5]、李武强[6]等对远红外分别在干燥香菇、胡萝卜、稻谷、桔梗等方面进行了工艺研究；二是远红外干燥机理的研究，多集中在远红外干燥过程中对物料内部水份迁移规律的探究，较少涉及远红外射线的研究，比如刘宗博[7]等应用低场核磁共振技术对远红外干燥过程中双孢菇内部水分状态进行分析，探寻水分迁移规律。Xu[8]等通过核磁共振（nuclear magnetic resonance，NMR）和差示扫描量热法（differential scanning calorimetry，DSC）研究了远红外干燥（far infrared drying，FID）对胡萝卜的水分状态和玻璃化转变温度（Tg）的影响。第三则是远红外结合其他干燥技术的拓展，比如热泵-远红外联合干燥工艺[9]、微波-远红外组合干燥机理[10]。
在远红外干燥技术的应用研究之外，对远红外发射源的开发亦成为研究热点。Guo等[11]人和Lee等[12]人分别发现晶体结构不同材料、不同氧化态，其比辐射率都存在着不同；林少波等[13]人则发现不同材料配比亦可形成不同的远红外发射源；修大鹏等[14]更是利用不同陶瓷材料之间的配比研制出新型远红外发射材料。同时，利用远红外发射材料分别形成了3种形式的远红外干燥设备：一是板状的远红外发射源，Longyang Yao[15]等研究不同预处理后远红外干燥对芒果片的品质影响中利用的远红外干燥箱即为板状的远红外发射源；二是灯管状的远红外发射源，赵丽娟[16]在对枸杞的远红外干燥工艺条件的探究中使用了石英远红外灯管的真空远红外干燥箱；三是远红外涂层烤箱，黄飞[17]等人设计了远红外涂层烟叶烤箱。这些远红外干燥箱均存在发射源更换不易，造价昂贵等问题，由此便携、易替换的点状发射源应运而生。但关于点状发射源的研究报道目前存在空白。
基于此，本实验以点状远红外发射源为研究对象，利用Ophir 3A功率计测定发射源在不同温度、不同测定波长对功率密度的影响，同时测定了点状发射源的功率密度分布规律并据此设计了一种均匀场能的远红外发射源组合模型，以期为远红外辐照烘箱的设计、远红外干燥技术的研发与应用提供参考。
1. 材料与方法
1.1 远红外材料
远红外发射源①、②由广州才是科技有限公司提供，发射源①内部装有发射源②，发射源①具有一半径为2 cm、高2 cm圆柱形金属外壳，其正面为不锈钢网（D＝3.6 cm、编织网格大小为1 mm×1 mm），反面及侧面为厚度为2 mm的不锈钢板焊接而成，发射源②为不锈钢网制成的圆柱形壳体（见图 1），其金属网罩内部装3个呈等边三角形排列的远红外烧结材料圆环，圆环外径1.8 cm、内径0.7 cm，平均质量5.00 g（见图 2(a)）；烧结材料比辐射率为0.86。
![]()
图 2 不同远红外材料Figure 2. Different far infrared materials(a)Far-infrarpd sintered materials m=5.009g (b)Ceramic fragments m=5.544 g (c)Glass fragments m=5.569 g陶瓷碎片和玻璃碎片由超市购买陶瓷杯与玻璃杯敲碎制成，平均质量约5.50 g，如图 2所示。
1.2 仪器和实验设备
DHG-9070A电热恒温鼓风干燥箱（上海精宏实验设备有限公司）、Ophir 3A功率计（Ophir Optronics Solutions Ltd.）、NOVAⅡ表头（Ophir Optronics Solutions Ltd.）、Center 309热电偶（Center Technology Corporation）。
1.3 实验方法
1.3.1 不同远红外材料的功率密度测定
选择较为常见的陶瓷、玻璃材料与本实验的研究对象——远红外烧结材料进行对比。将相同质量的陶瓷碎片、玻璃碎片以及远红外烧结材料放入电热恒温鼓风干燥箱中，200℃下加热至恒定温度，用热电偶测定不同材料的实时温度。在同一法向距离（L＝1 cm）下、同一波长（λ＝9μm）下，用Ophir 3A功率计测定每种材料的功率（单位：W），从NOVAⅡ表头读数并记录，测定得到的功率除以靶面面积即可计算得到其功率密度（单位：W·cm-2）。
1.3.2 质量对远红外烧结材料的功率密度影响
将远红外烧结材料粉碎后重新组合成3个底面直径D＝2 cm，高分别为1 cm、2 cm、3 cm的圆柱体，所得圆柱体质量分别为3.007 g、6.000 g、9.006 g，并标号为M1、M2、M3。在L＝1 cm，λ＝9μm下，功率密度测定方法同1.3.1。
1.3.3 表面积对远红外烧结材料的功率密度影响
将远红外烧结材料粉碎后重新组合成3个质量相同（9.000±0.005 g），底面直径分别为D＝2 cm、3 cm、4 cm，高分别为3 cm、1 cm、0.5 cm的圆柱体，并标号为D1、D2、D3。在L＝1 cm，λ＝9μm下，功率密度测定方法同1.3.1。
1.3.4 不同远红外发射源的功率密度分布测定
将远红外发射源①、②号均放入电热恒温鼓风干燥箱中，150℃下加热至恒定稳定，用热电偶测定远红外发射源的实时温度在L＝1 cm，λ＝9μm下，功率密度测定方法同1.3.1。
1.3.5 不同波长下远红外发射源功率密度测定
将①号发射源放入电热恒温鼓风干燥箱中，200℃下加热至恒定温度，用热电偶测定远红外发射源的实时温度。在同一法向距离（L＝6 cm）、同一温度下，用Ophir 3A功率计测定不同波长（2μm、3μm、4μm、5μm、6μm、7μm、8μm、9μm、10μm、11μm）下远红外发射源的功率（单位：W），从NOVAⅡ表头读数并记录，测定得到的功率除以靶面面积即可计算得到其功率密度（单位：W·cm-2）。
1.3.6 不同温度下远红外发射源功率密度测定
将①号发射源放入电热恒温鼓风干燥箱中，200℃下加热至恒定温度后将其取出置于铁架台上自然冷却，用热电偶测定远红外发射源的实时温度。在同一法向距离（L＝6 cm）、同一波长（λ＝9μm）下，用Ophir 3A功率计测定不同温度（50~170℃，每10℃测定一次功率）下发射源的功率（单位：W），从NOVAⅡ表头读数并记录，测定得到的功率除以靶面面积即可计算得到其功率密度（单位：W·cm-2）。
1.3.7 单个远红外发射源功率密度分布测定
将远红外发射源①放入电热恒温鼓风干燥箱中，150℃下加热至恒定稳定，用热电偶测定远红外发射源的实时温度。其功率密度测定定位如图 3所示。
![]()
图 3 ① 号远红外发射源功率密度测定定位Figure 3. Power density measurement location of far-infrared emission source①在同一波长（λ＝9μm）、半径r＝0 cm下，用Ophir 3A功率计测定不同法向距离（L＝1 cm、2 cm、3 cm、4 cm、5 cm、6 cm、10 cm、11 cm）下的功率（单位：W），从NOVAⅡ表头读数并记录，测定得到的功率除以靶面面积即可计算得到其功率密度（单位：W·cm-2）。
在同一波长（λ＝9μm）、同一法向距离（L，单位：cm）下，用Ophir 3A功率计测定不同半径（r＝0 cm、1 cm、2 cm、3 cm、4 cm、5 cm、6 cm、7 cm、8 cm）下的功率（单位：W），从NOVAⅡ表头读数并记录，测定得到的功率除以靶面面积即可计算得到其功率密度（单位：W·cm-2）。
1.4 数据处理
试验数据采用Excel以及SPSS Statistics软件进行分析；实验结果采用GraphPad Prism 8、OriginPro 2018以及Firstoption软件进行图像绘制与曲线拟合。
2. 结果与分析
2.1 不同远红外材料的功率密度比较
任何物体红外辐射主要由物体的比辐射率以及物体表面温度决定。每个物体的比辐射率均由材料本身的特性所决定的，Liu[18]等人发现不同的材料组成会导致远红外辐射的强度不同。
不同材料的远红外发射功率密度如图 4所示。在同一温度下，3种远红外材料的功率密度并不相同，远红外烧结材料的功率密度最高，陶瓷碎片次之，玻璃碎片最低。这说明了不同材料之间的远红外辐照能量存在差异，这与董宏宇[19]的研究结果相一致。在相同温度下，红外辐射的差异主要是由物体本身的比辐射率的不同所导致的[19]。本研究中选择的远红外烧结材料与一般陶瓷材料相比，功率密度较高，比辐射率较高，具有良好的远红外辐照性能。因而，选择该远红外发射源进行后续的辐照特性研究。
![]()
图 4 不同远红外材料的功率密度（λ＝9μm，L＝1 cm）Figure 4. Power density of different far infrared materials(λ＝9μm, L＝1 cm)2.2 质量与辐照面积对远红外烧结材料功率密度的影响
相同辐照面积下质量对远红外烧结材料的功率密度如图 5所示，p为显著性分析参数。质量对远红外烧结材料的功率密度有一定影响：在低温（40~70℃）状态下，不同质量的远红外烧结材料的功率密度并无显著性差异；当温度超过70℃时，质量的增加将导致远红外材料的功率密度显著提高。图 6为相同质量下辐照面积对远红外材料功率密度的影响。在相同质量下，随着辐照面积的增大，远红外烧结材料的功率密度显著增加。对比图 5与图 6可知，辐照面积对远红外材料的功率密度的影响大于质量的影响。故在远红外发射源的设计中可适当加大辐照面积，提高辐照能的利用率。
![]()
图 5 相同辐照面积下质量对远红外材料功率密度的影响（λ＝9μm，L＝1 cm）Figure 5. The effect of mass on the power density of far infraredmaterials under the same irradiation area(λ＝9μm, L＝1 cm)Note:M1＝3.007 g; M2＝6.000 g; M3＝9.006 g a, b: Significant difference in different groups at the same temperature, p < 0.05![]()
图 6 相同质量下辐照面积对远红外材料功率密度的影响（λ＝9μm，L＝1 cm）Figure 6. The effect of irradiation area on the power density of far-infrared materials at the same mass(λ＝9μm, L＝1 cm)Note:D1＝2 cm; D2＝3 cm; D3＝4 cm a, b, c: Significant difference in different groups at the same temperature, p < 0.052.3 不同远红外发射源功率密度分析
远红外射线属于电磁波的一种，其具有反射、干涉等特性。在同一波长下，发射源①、②各表面的功率密度如图 7所示。发射源①-正面的功率密度最大，发射源①-侧面的功率密度最小。原因在于发射源①其在陶瓷材外部的四周罩上一层金属隔层，只留正面为金属网状结构，远红外射线在内部因反射作用均聚集于网状一面，故其功率密度较大。而发射源①的底面和侧面因受到金属隔层的阻隔，内部远红外辐射并不能透过，同时，测得一定的数值其主要是由金属本身产生的红外射线所致，因金属的红外特性远低于陶瓷材料[19]，故而其功率密度最低。
![]()
图 7 不同远红外发射源功率密度比较（λ＝9μm，L＝1 cm）Figure 7. Power density comparison of different far infrared emission sources(λ＝9μm, L＝1 cm)发射源②的组成主要是在陶瓷材料外部罩上一层与发射源①正面一致的金属网状结构，对比发射源②-底面与发射源①-正面的功率密度，进一步说明远红外辐射在发射源内部经过反射使其辐照能量聚集。此外，发射源②-底面与发射源②-侧面的功率密度有所差异（图 7），这进一步说明2.2中辐照面积对功率密度有较大的影响。
2.4 远红外发射源功率密度与波长、温度的关系
在远红外干燥中干燥温度更是远红外干燥技术中较为关键的一个控制条件，胡洁[4]、罗剑毅[5]等分别对不同的植物性原料进行远红外干燥实验探究，发现远红外干燥温度对干燥效果具有不同程度的影响。
不同温度下①号远红外发射源在不同波长下的功率密度如图 8所示。从图中可以看出，同一温度下点状远红外发射源的功率密度曲线在波长λ＝6μm、10μm附近出现两个峰值，不同的辐照物其发射波长不同，形成不同的吸收峰[11]。由此可以反映出发射源内部并非由单物质组成，至少应有两种不同的陶瓷材料组成。同时，观察两个峰值可发现，不同温度下的峰值对应的波长并不一致，以波长λ＝10μm附近的峰值为例，随着温度的升高，最大辐照波长会略向左偏移，即温度越高其最大辐照波长略有减小，Mongpraneet[20]等人的研究也证明了温度的升高会导致远红外辐射源的最大辐照波长有所漂移。利用远红外发射源的最大发射波长，可以指导选择合适的物料进行远红外干燥，如对红外吸收光谱在这峰值波长附近的物料比较适宜。
![]()
图 8 不同温度下①号远红外发射源在不同波长下的功率密度Figure 8. The power density of far-infrared emitters① at different wavelengths and temperatures此外，温度越高其功率密度曲线的峰值越明显，在温度较低（T＝50℃、60℃、70℃）时，其曲线较为平缓，峰值不突出，进一步反映出，高温可以激发远红外辐射能量，在低温时其辐照效果并不显著，这与文雅欣[21]的研究相一致。
2.5 远红外发射源①功率密度随法向距离的变化规律
在远红外干燥技术研究中，辐射源与物料之间的距离对远红外辐照效果的影响是至关重要的，万江静[22]在探究远红外辐射干燥红枣片的实验中发现辐射距离是决定红枣干制效果的关键因素，从而探究出最佳干燥工艺。
图 9为不同法向距离下①号远红外发射源功率密度的变化，其衰减率如表 1所示。随着法向距离L的增大，发射源的功率密度呈下降趋势，辐照能逐渐衰减。整个下降过程分为3个阶段：在L≤3 cm时，其衰减幅度较小，其功率密度衰减率在10.00%以内；当3 cm＜L≤6 cm时，功率密度衰减速率增大；当L＞6 cm时，功率密度的衰减速率逐渐趋缓。由此，远红外发射源①的辐射距离在3 cm以内时，功率密度的衰减率最低，能量利用率较高。
![]()
图 9 不同法向距离下①号远红外发射源功率密度（λ＝9μm，r＝0 cm）Figure 9. Power density of far-infrared emitters① at different vertical distances（λ＝9μm，r＝0 cm）表 1 r＝0 cm下①号红外发射源功率密度的衰减率Table 1. The decay rate of power density of far-infraredemission source① at r＝0 cmTemperature/℃ 110 100 90 80 70 Attenuation rate/% L＝1 cm 0.00 0.00 0.00 0.00 0.00 L＝2 cm 6.29 8.00 0.42 1.58 0.94 L＝3 cm 11.08 10.98 5.95 7.96 6.42 L＝4 cm 31.19 30.78 27.88 29.74 30.36 L＝5 cm 44.22 44.83 42.59 43.78 43.81 L＝6 cm 55.84 54.88 52.93 52.55 51.61 L＝7 cm 59.36 59.61 57.50 58.64 58.59 L＝8 cm 65.61 65.76 63.94 65.05 65.34 L＝9 cm 70.38 69.27 67.73 68.46 67.09 根据红外辐射原理，光源在空间内的M点上的辐照强度可用以下公式表示[23]：
$$ {E_j}\left( {M, {\lambda _i}} \right) = I\left( {{S_j}, {\theta _{j{\rm{out}}}}, {\varphi _{j{\rm{out}}}}, {\lambda _I}} \right) \times \frac{{\tau \left( {\left[ {M, {S_j}} \right], {\lambda _i}} \right)}}{{{{\left| {\overrightarrow {{S_j}M} } \right|}^2}}} $$ (1) 式中：Ej(M, λi)表示发射源在λi波长下、M点处的辐照强度，W·m-2；I(Sj, θjout, ${\varphi _{j{\rm{out}}}}$, λi)表示发射源Sj在方向（θjout, ${\varphi _{j{\rm{out}}}}$）、辐照波长为λi下的发射强度；τ([M, Sj], λi)表示大气透过率；$\left| {\overrightarrow {{S_j}M} } \right|$则表示发射源Sj到M点之间的距离，m。
在本实验中，Ej(M, λi)即为所测功率密度，$\left| {\overrightarrow {{S_j}M} } \right|$即为法向距离L。而I(Sj, θjout, ${\varphi _{j{\rm{out}}}}$, λi)在相同温度、相同波长、法向距离上仅由发射源决定，故可视为常数。同时，大气透过率的影响因素主要为大气中的各种气体物质以及辐照距离[24]：
$$ \tau = \exp \left( { - {\sigma ^*}\chi } \right) $$ (2) 式中：σ表示衰减系数；χ为法向距离L。联合公式(1)、(2)，可得功率密度E与法向距离L的关系：
$$ E = I*\frac{{\exp ( - \sigma *L)}}{{{L^2}}} $$ (3) 由此，可以建立数学模型进行拟合，结果如表 2。
表 2 不同温度下远红外发射源①法向辐照强度的拟合结果(λ＝9 µm)Table 2. Fitting results of far-infrared emission source ① normalradiation intensity attenuation at different temperatures(λ＝9μm)Irradiation temperature/℃ I Attenuation coefficient σ Goodness of fit R2 110 0.03248 -20.04 0.9600 100 0.02705 -20.22 0.9637 90 0.02276 -20.13 0.9697 80 0.01826 -20.15 0.9675 70 0.01428 -20.20 0.9748 根据表 2不同温度下远红外发射源①法向辐照强度的拟合结果，决定系数的拟合优度R2均大于0.9600，说明该模型能较好地反映远红外发射源①功率密度E与法向距离L之间的关系。图 10为70℃下远红外发射源①功率密度E与法向距离L的拟合曲线，实验所得数据均匀分布在拟合曲线附近，重合度较高，进一步体现了该模型的可信性。该模型的建立可为远红外干燥技术中辐照距离对干燥速率、成品品质的影响提供了理论依据，同时对干燥工艺的参数设置提供参考。
![]()
图 10 70℃下远红外发射源①法向辐照强度的拟合结果（λ＝9μm）Figure 10. Fitting result of the normal radiation intensity of the far-infrared emission source at 70℃ (λ＝9μm)2.6 远红外发射源①功率密度随半径r的变化规律
图 11为不同半径下①号远红外发射源功率密度的变化，其衰减率如表 3所示。随着平面半径r的增大，发射源的功率密度呈下降趋势，辐照能量逐渐衰减。在法向距离L＝6 cm，r≤1 cm时，其功率密度衰减率为0，辐照能量并没有减小，主要原因在于实验中的发射源是一个底面半径为1 cm、高为1 cm的圆柱体，因而在圆柱底面垂直投影面下其辐照能量基本无衰减。当r＞1 cm时，功率密度随r的增大而减小，至r＝7 cm左右，功率密度为0，远红外能量基本衰减完全。其中，L＝6 cm，r＝3 cm时，其衰减率在40%~45%，基本可以判断半衰减率发生在r＝3 cm。由于光路沿直线传播，根据相似三角形的原理（如图 12所示），可知当L＝3 cm时，半衰减率发生在r＝2 cm。
![]()
图 11 不同半径下远红外发射源功率密度（λ＝9μm、L＝6 cm）Figure 11. Power density of far-infrared emitters① with different radii(λ＝9μm、L＝6 cm)表 3 L＝6 cm下远红外发射源功率密度的衰减率Table 3. Decay rate of power density of rar-infrared emissionsource① at L＝6 cmTemperature/℃ 110 100 90 80 70 Attenua-tion rate/% r＝1 cm 0.00 0.00 0.00 0.00 0.00 r＝2 cm 26.82 28.97 30.10 30.99 31.41 r＝3 cm 43.44 43.98 44.15 44.59 44.88 r＝4 cm 71.54 68.26 67.22 67.39 66.54 r＝5 cm 84.88 78.75 73.99 72.10 71.61 r＝6 cm 96.86 96.11 95.53 94.51 94.05 r＝7 cm 100.00 100.00 100.00 100.00 100.00 r＝8 cm 100.00 100.00 100.00 100.00 100.00 ![]()
图 12 点状远红外发射源功率分布示意图注：虚线同心圆为L＝3 cm时功率密度分布示意；虚线箭头表示远红外射线 单位：cmFigure 12. Power distribution of point-shaped far-infrared emission sourceNote: The dashed arrow indicates far infrared rays when the dashed concentric circle is L=3 cm, the distribution of far-infrared rays is shown由此该远红外发射源的功率密度空间分布如图 12所示。
2.7 探究组合式远红外发射源功率密度分布模型
根据2.5中远红外发射源的功率密度与法向距离L、半径r的关系，拟设计一个能源利用率最大化、场能分布均匀的远红外组合模型。因L＝3 cm，r＝2 cm时，其衰减率为50%左右，同时考虑发射源本身的半径大小，故相邻的两个发射源间距为2 cm。该设计下，物料辐照距离为3 cm（L＝3 cm）时，远红外辐照能量利用率最高。图 13为两个①号远红外发射源的相距2 cm组合后，功率密度分布示意。
不同半径下远红外发射源功率密度（λ＝9μm、L＝6 cm）
![]()
图 13 两个①号远红外发射源组合功率密度分布Figure 13. Combined power density distribution of two No. ① far infrared emission sources图 14为组合式远红外发射源的分布。
![]()
图 14 组合式远红外发射源的分布模型Figure 14. Distribution model of combined far-infrared emission sourceNote: A is the far-infrared emission source ① Unit: cm为了验证以上模型是否做到使远红外能量分布均匀化，特进行以下验证实验：
将组合式远红外发射源放入电热恒温鼓风干燥箱中，150℃下加热至恒定稳定，用热电偶测定远红外发射源的实时温度。组合式远红外发射源功率密度测定点分布如图 15所示。
![]()
图 15 组合式远红外发射源功率密度测定点分布Figure 15. Distribution of power density measurement points of combined far-infrared emission source在同一波长（λ＝9μm），L＝3 cm下，用Ophir 3A功率计测定各测定点的功率（单位：W），从NOVAⅡ表头读数并记录，测定得到的功率除以靶面面积即可计算得到其功率密度（单位：W·cm-2）。
测定结果如图 16。
![]()
图 16 组合式远红外发射源功率密度分布（λ＝9μm、T＝90℃、L＝3 cm）Figure 16. Power density distribution of combined far-infrared emission source（λ＝9μm、T＝90℃、L＝3 cm）对照图 15的测定点分布，可以将测定点分为3类：第一类为每个点状远红外发射源正下方的测定点，即为测定点1、3、5、11、13、15、21、23、25；第二类为相邻两个点状远红外发射源之间的中心位置的测定点，即为测定点2、4、6、8、10、12、14、16、18、20、22、24；第三类为相邻的4个点状远红外发射源所形成的正方形的中心位置的测定点，即为测定点7、9、17、19。每两个相邻的发射源之间的距离为2 cm，结合发射源半径为2 cm，故3类测定点在L＝3 cm下，距离相邻点状远红外发射源的r分别为第一类测定点的r＝0 cm，第二类测定点的r＝3 cm，第三类测定点的r＝3×21/2 cm。
观察图 16，第一类测定点的功率密度较为接近且普遍高于其他两类测定点的功率密度，原因在于这类测定点位于每个发射源的正下方r＝0 cm，其功率密度的衰减率最低。第二类测定点的功率密度仅次于第一类测定点的功率密度，基本高于第三类测定点的功率密度。结合2.6中同一法向距离下r对功率密度的影响规律：功率密度随着r的增大而减小。故第二类测定点距离相邻的发射源的r＝3 cm，由表 3可知相邻两个发射源的功率密度在该类测定点的衰减率均为50%，功率密度叠加之后其效果与第一类测定点相近。而第三类测定点距离相邻的发射源的r＝3×21/2 cm，由表 3可知，相邻的发射源在该类测定点的功率密度衰减率为70%~80%，由此可以解释第三类测定点的功率密度均低于前两类测定点。此外，在同一类测定点中存在差异功率密度差异较大的情况，比如第二类测定点中测定点6、16的功率密度较大，导致这种差异的主要原因在于每个点状远红外发射源之间存在差异。
整体上来看，组合式远红外发射源功率密度分布结果基本符合模型预想，各点的功率密度趋于均匀化，利用这个组合式远红外发射源进行干燥实验可以使物料受到较为均衡的辐照处理，提高干燥效果。
3. 结论
3种材料（陶瓷、玻璃、远红外烧结材料）均具有红外辐射特性，其中远红外烧结材料的功率密度最高。故该远红外烧结材料具有良好的远红外辐照特性，同时，质量、辐照面积以及金属外罩均对功率密度有显著影响。此外，远红外发射源的功率密度随着温度的升高而升高，其功率密度峰值对应的波长主要在λ＝6μm、10μm附近。单个远红外发射源①其功率密度分布呈放射状：L＝0~3cm、r＝0~1cm范围内，远红外能量的衰减率较低，并建立了功率密度E与法向距离L的数学模型：$E = I*\frac{{\exp \left( { - \sigma *L} \right)}}{{{L^2}}}$。之后，利用①号远红外发射源的功率密度分布规律设计了一个组合式远红外发射源：两个发射源之间相距2 cm，物料辐照距离为3 cm时，其功率密度较为均匀，能量利用率较高。
-
![]()
图 7 改进后YOLOv7模型中卷积注意模块的位置
Figure 7. Position of the convolutional attention module in the improved YOLOv7 model
![]()
图 9 改进YOLOv7模型与其他模型实验结果
Figure 9. Experimental results of improved YOLOv7 model and other models
![]()
图 10 改进YOLOv7模型与其他模型测试效果
Figure 10. Improvement of YOLOv7 model and other model test effect
表 1 改进的YOLOv7模型与其他模型实验比较结果
Table 1 Experimental comparison results of improved YOLOv7 model with other models
% Models P R mAP@0.5 YOLOv5s 79.4 89.7 87.8 YOLOv5s_SE 86.8 80.4 86.1 YOLOv5s_C3SE 83.3 82.9 85.8 YOLOv5s_ECA 85.6 89.1 89.2 YOLOv5s_C3ECA 82.4 87.3 88.7 YOLOv5s_CBAM 77.3 91.7 87.9 YOLOv5s_C3CBAM 82.5 81.9 88.8 YOLOv7 80.5 86.5 89.6 YOLOv7_CBAM 84.2 92.4 91.3 
下载: 导出CSV
-
[1] 吴慧海, 沈文忠. 基于TA-YOLO的电力设备红外图像检测方法[J]. 信息技术与信息化, 2022(3): 17-20. WU Huihai, SHEN Wenzhong. TA-YOLO based infrared image detection method for power equipment [J]. Information Technology and Informatization, 2022(3): 17-20.
[2] 赵庆生, 王雨滢, 梁定康, 等. 基于BOF图像检索算法的变电站设备图像分类[J]. 激光与光电子学进展, 2020, 57(18): 138-146. ZHAO Qingsheng, WANG Yuying, LIANG Dingkang, et al. Image classification of substation equipment based on BOF image retrieval algorithm[J]. Advances in Laser and Optoelectronics, 2020, 57(18): 138-146.
[3] JIANG A, YAN N, SHEN B, et al. Research on infrared image recognition method of power equipment based on deep learning[C]//2020 IEEE International Conference on High Voltage Engineering and Application (ICHVE), 2020: 1-4.
[4] 裴泽林, 赵曙光, 王建强. 基于Meta-Network的变压器红外图像分类方法研究[J]. 科技风, 2021(5): 87-88. PEI Zelin, ZHAO Shuguang, WANG Jianqiang. Research on meta-network based transformer infrared image classification method[J]. Science and Technology Wind, 2021(5): 87-88.
[5] 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.opticsjournal.net/Articles/OJ407b66a963da9993/Abstract ZHOU Kehui, LIAO Zhiwei, XIAO Yiyao, et al. Research on constructing infrared image classification model for power equipment based on improved CNN[J]. Infrared Technology, 2019, 41(11): 1033-1038. https://www.opticsjournal.net/Articles/OJ407b66a963da9993/Abstract
[6] 段中兴, 张雨明, 马佳豪. 基于改进YOLOv4的电力设备红外图像识别[J]. 激光与光电子学进展, 2022, 59(24): 2410002-2410002-8. DUAN Z X, ZHANG Y M, MA J H. Improved YOLOv4-based infrared image recognition for power equipment[J]. Laser & Optoelectronics Progress, 2022, 59(24): 2410002-2410002-8.
[7] CONG S, PU H, WANG X, et al. Application of improved YOLOv5 in infrared image recognition of electrical equipment[C]//2023 8th Asia Conference on Power and Electrical Engineering (ACPEE), 2023: 1836-1843.
[8] LI J, XU Y, NIE K, et al. PEDNet: a lightweight detection network of power equipment in infrared image based on YOLOv4-Tiny[J]. IEEE Transactions on Instrumentation and Measurement, 2023, 72: 1-12.
[9] 余一聪, 何领朝, 蔡荣贵, 等. 基于改进YOLOv7的绝缘子缺失检测方法[J]. 黑龙江工业学院学报: 综合版, 2023, 23(7): 83-90. YU Yicong, HE Lingzhao, CAI Ronggui, et al. Insulator missing detection method based on improved YOLOv7[J]. Journal of Heilongjiang Institute of Technology: General Edition, 2023, 23(7): 83-90.
[10] 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.
[11] JIANG P, Ergu D, LIU F, et al. A review of Yolo algorithm developments[J]. Procedia Computer Science, 2022, 199: 1066-1073.
[12] Roy A M, Bhaduri J, Kumar T, et al. WilDect-YOLO: An efficient and robust computer vision-based accurate object localization model for automated endangered wildlife detection[J]. Ecological Informatics, 2023, 75: 101919.
[13] Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016: 779-788.
[14] Redmon J, Farhadi A. YOLO9000: better, faster, stronger[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 7263-7271.
[15] Redmon J, Farhadi A. YOLOv3: An incremental improvement[J]. arXiv preprint arXiv: 1804.02767, 2018.
[16] Bochkovskiy A, WANG C Y, LIAO H Y M. YOLOv4: Optimal speed and accuracy of object detection[J]. arXiv preprint arXiv: 2004.10934, 2020.
[17] Olorunshola O E, Irhebhude M E, Evwiekpaefe A E. A comparative study of YOLOv5 and YOLOv7 object detection algorithms[J]. Journal of Computing and Social Informatics, 2023, 2(1): 1-12.
[18] Woo S, Park J, Lee J Y, et al. Cbam: Convolutional block attention module[C]//Proceedings of the European Conference on Computer Vision (ECCV), 2018: 3-19.
[19] WANG Xiaorong, XU Yan, ZHOU Jianping, et al. Safflower picking recognition in complex environments based on an improved YOLOv7[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(6): 169-176.
[20] HU J, SHEN L, SUN G. Squeeze-and-excitation networks[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018: 7132-7141.
[21] WANG Q, WU B, ZHU P, et al. ECA-Net: Efficient channel attention for deep convolutional neural networks[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020: 11534-11542.
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
