王永平，張紅民，彭 闖，郭泓邑

基于YOLO v3的高壓開(kāi)關(guān)設(shè)備異常發(fā)熱點(diǎn)目標(biāo)檢測(cè)方法

王永平，張紅民，彭 闖，郭泓邑

（重慶理工大學(xué) 電氣與電子工程學(xué)院，重慶 400054）

針對(duì)高壓開(kāi)關(guān)設(shè)備紅外圖像異常發(fā)熱點(diǎn)檢測(cè)中存在目標(biāo)位置場(chǎng)景復(fù)雜和大小不均衡帶來(lái)的檢測(cè)準(zhǔn)確率下降問(wèn)題，基于YOLO v3算法，通過(guò)添加卷積模塊及調(diào)整部分超參數(shù)對(duì)其基礎(chǔ)網(wǎng)絡(luò)架構(gòu)進(jìn)行優(yōu)化，以實(shí)現(xiàn)高壓開(kāi)關(guān)設(shè)備異常發(fā)熱點(diǎn)的快速檢測(cè)、識(shí)別和定位。同時(shí)，建立了用于高壓開(kāi)關(guān)設(shè)備紅外圖像異常發(fā)熱點(diǎn)的數(shù)據(jù)集，通過(guò)訓(xùn)練得出合適的權(quán)重。實(shí)驗(yàn)結(jié)果表明，該檢測(cè)方法識(shí)別速度快，準(zhǔn)確率高且具有較強(qiáng)的泛化能力，測(cè)試準(zhǔn)確率達(dá)到91.83%，可將其初步應(yīng)用于高壓開(kāi)關(guān)設(shè)備異常發(fā)熱點(diǎn)目標(biāo)檢測(cè)中。

高壓開(kāi)關(guān)設(shè)備；紅外圖像；YOLO v3；目標(biāo)檢測(cè)

0 引言

高壓開(kāi)關(guān)設(shè)備作為保護(hù)發(fā)電廠、變電所等各類(lèi)配電裝置中不可缺少的電氣設(shè)備，在日常運(yùn)行中常因氧化、銹蝕、接觸不良、臟污等因素導(dǎo)致的異常發(fā)熱造成嚴(yán)重?fù)p失。運(yùn)用紅外測(cè)溫成像技術(shù)來(lái)顯示、監(jiān)測(cè)高壓開(kāi)關(guān)設(shè)備的熱異常運(yùn)行狀況是一個(gè)非常好的解決方案。

近年來(lái)，深度學(xué)習(xí)技術(shù)已廣泛應(yīng)用于電氣設(shè)備紅外圖像處理及識(shí)別領(lǐng)域并取得了較好的效果。2017年郭鵬程等人采用二值函數(shù)和高斯核函數(shù)對(duì)Chan-Vese模型進(jìn)行了改進(jìn)，使其能有效地分割出電力設(shè)備[1]。2018年賈鑫等基于GoogleNet卷積神經(jīng)網(wǎng)絡(luò)對(duì)紅外圖像進(jìn)行特征提取，然后采用softmax損失和centerloss損失函數(shù)較準(zhǔn)確地識(shí)別出5種電氣設(shè)備及其故障[2]。2019年S. Rokrakthong等人首先用圖像處理技術(shù)確定設(shè)備零界溫度，再利用R-CNN對(duì)電氣設(shè)備類(lèi)型進(jìn)行識(shí)別，準(zhǔn)確率達(dá)91%[3]。2018年Ying Lin等人則通過(guò)RPCA（robust principal component analysis）優(yōu)化和位置統(tǒng)計(jì)，提取出標(biāo)記的溫度范圍區(qū)域，然后分別對(duì)每個(gè)單個(gè)數(shù)字和符號(hào)進(jìn)行分割[4]。2019年L. Lianqiao等人基于YOLO算法，對(duì)組合濾波器、絕緣瓷套、隔離開(kāi)關(guān)、均衡環(huán)4種電氣設(shè)備紅外圖像進(jìn)行目標(biāo)檢測(cè)和器件溫度測(cè)量，識(shí)別準(zhǔn)確率達(dá)到80%以上[5]。2019年R. Gitzel等人使用對(duì)抗生成性網(wǎng)絡(luò)對(duì)開(kāi)關(guān)設(shè)備的紅外圖像進(jìn)行改善和加強(qiáng)，提高了對(duì)開(kāi)關(guān)設(shè)備故障或非故障狀態(tài)檢測(cè)的效率[6]。

目標(biāo)檢測(cè)算法R-CNN（region with convolutional neural network）[7-8]是近年來(lái)深度學(xué)習(xí)領(lǐng)域中廣受關(guān)注的檢測(cè)方法，其對(duì)圖像生成可能包含目標(biāo)的候選區(qū)域（region），然后用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)候選區(qū)域進(jìn)行分類(lèi)，精度很高，但在速度方面表現(xiàn)欠佳[9]。YOLO在目標(biāo)檢測(cè)時(shí)，以整張圖作為輸入，在特征層輸出邊框位置和所屬的類(lèi)別，從而轉(zhuǎn)變?yōu)橐粋€(gè)回歸問(wèn)題。文獻(xiàn)[10]指出One-stage檢測(cè)算法準(zhǔn)確率低的原因之一是數(shù)據(jù)集中簡(jiǎn)單易分的樣本與復(fù)雜難分的樣本之間存在嚴(yán)重的不均衡現(xiàn)象，使得算法出現(xiàn)誤檢測(cè)，而且也會(huì)影響損失函數(shù)的梯度更新方向。2019年，吳雙忱等人將弱小目標(biāo)的檢測(cè)問(wèn)題轉(zhuǎn)化為對(duì)小目標(biāo)的位置分布的分類(lèi)問(wèn)題，通過(guò)使用全卷積網(wǎng)絡(luò)對(duì)紅外圖像進(jìn)行背景抑制，再引入SENet對(duì)圖像特征進(jìn)行提取以達(dá)到檢測(cè)目的，雖然其對(duì)小目標(biāo)檢測(cè)效果較好，但實(shí)現(xiàn)步驟較為復(fù)雜[11]。針對(duì)以上問(wèn)題，通過(guò)對(duì)高壓開(kāi)關(guān)設(shè)備紅外圖像的分析，本文通過(guò)采用YOLO v3（You Only Look Once vision3）算法[12]并對(duì)其模型進(jìn)行合理優(yōu)化，實(shí)現(xiàn)了高壓開(kāi)關(guān)設(shè)備異常發(fā)熱點(diǎn)目標(biāo)快速準(zhǔn)確檢測(cè)。

1 高壓開(kāi)關(guān)設(shè)備紅外熱圖數(shù)據(jù)集構(gòu)建

本文的紅外圖像數(shù)據(jù)采集來(lái)源于重慶電網(wǎng)公司紅外典型故障圖庫(kù)。數(shù)據(jù)集中異常發(fā)熱的高壓開(kāi)關(guān)設(shè)備類(lèi)型有：隔離開(kāi)關(guān)、斷路器、熔斷器等，建立共計(jì)960張的數(shù)據(jù)集。圖1為數(shù)據(jù)集部分典型樣本。

由圖1可以發(fā)現(xiàn)高壓開(kāi)關(guān)設(shè)備紅外圖像具有以下特點(diǎn)：采集到的紅外圖像中不可避免地存在其他非目標(biāo)電力設(shè)備；采集到的高壓開(kāi)關(guān)設(shè)備紅外圖像會(huì)因?yàn)闊嵯駜x拍攝角度、遠(yuǎn)近的不固定，導(dǎo)致設(shè)備在圖像中的形狀和大小不規(guī)范。以上因素導(dǎo)致傳統(tǒng)的紅外圖像目標(biāo)識(shí)別對(duì)熱異常的檢測(cè)比較困難。針對(duì)這些難點(diǎn)，收集了大量的高壓開(kāi)關(guān)設(shè)備紅外圖像（960張）建立數(shù)據(jù)集，使用現(xiàn)有深度學(xué)習(xí)的網(wǎng)絡(luò)的訓(xùn)練模型，以實(shí)現(xiàn)較為滿意的熱異常目標(biāo)檢測(cè)。

本文使用圖片標(biāo)注工具（label Img）對(duì)數(shù)據(jù)集進(jìn)行標(biāo)注：若高壓開(kāi)關(guān)設(shè)備紅外圖像存在異常發(fā)熱的情況，則將紅外熱像圖中發(fā)熱點(diǎn)用矩形框標(biāo)記，標(biāo)記后的紅外圖片以XML文件存儲(chǔ)，作為對(duì)應(yīng)訓(xùn)練圖片的標(biāo)簽（如圖2所示）。

圖1 典型高壓開(kāi)關(guān)設(shè)備熱故障

圖2 異常發(fā)熱點(diǎn)標(biāo)注示意圖

數(shù)據(jù)由訓(xùn)練集、測(cè)試集、驗(yàn)證集3部分組成（如表1所示），共使用960張圖片進(jìn)行訓(xùn)練，對(duì)已標(biāo)記好的異常發(fā)熱的高壓開(kāi)關(guān)設(shè)備紅外圖像進(jìn)行整理，以XLM文件作為對(duì)應(yīng)紅外圖片訓(xùn)練的標(biāo)簽，存儲(chǔ)了3個(gè)屬性：Label、Pixels、Usage。

表1 數(shù)據(jù)的訓(xùn)練集組成

2 基于YOLO v3的深度學(xué)習(xí)算法

2.1 YOLO v3模型

YOLO v3[12]是一種在對(duì)目標(biāo)進(jìn)行識(shí)別和定位算法過(guò)程中，將問(wèn)題轉(zhuǎn)化為了回歸問(wèn)題，把輸入圖片中提取出的特征圖劃分為不同大小的各類(lèi)網(wǎng)格，在每個(gè)網(wǎng)格上通過(guò)候選框檢測(cè)，最后輸出每個(gè)候選框檢測(cè)的置信度、類(lèi)別概率和坐標(biāo)。其特點(diǎn)是運(yùn)行速度快，可以用于實(shí)時(shí)系統(tǒng)。不僅具有檢測(cè)速度快速的性質(zhì)，而且還在檢測(cè)精度方面得到提升，同時(shí)還具備檢測(cè)大、中、小目標(biāo)的能力，這與高壓開(kāi)關(guān)設(shè)備熱故障診斷的應(yīng)用極為契合。

YOLO v3提取紅外圖像特征時(shí)，采用的是Darknet-53網(wǎng)絡(luò)結(jié)構(gòu)，如表2所示，它含有53個(gè)卷積層，同時(shí)借鑒殘差網(wǎng)絡(luò)（residual network）[13]，在卷積層之間設(shè)置了快捷鏈路（shortcut connections）。

表2 YOLO v3模型參數(shù)

Darknet-53為特征提取網(wǎng)絡(luò)，首先以416×416×3的紅外圖像作為輸入，然后采用殘差結(jié)構(gòu)使得網(wǎng)絡(luò)更深，同時(shí)采用了short cut機(jī)制解決梯度消失問(wèn)題，恒等變換（identity mapping）使得網(wǎng)絡(luò)更加容易優(yōu)化，收斂能力加快，最后用feature 1、feature 2、feature 3進(jìn)行多尺度的回歸檢測(cè)，如圖3所示。

圖3 YOLO v3目標(biāo)檢測(cè)

2.2 YOLO v3算法的優(yōu)化

高壓開(kāi)關(guān)設(shè)備紅外圖像異常發(fā)熱點(diǎn)目標(biāo)檢測(cè)存在的問(wèn)題如下，有些高壓開(kāi)關(guān)設(shè)備紅外圖像采集時(shí)距離近，背景單一，干擾因素較少，容易找到異常發(fā)熱點(diǎn)；而有一些在采集圖像時(shí)距離遠(yuǎn)，干擾因素較多，屬于待檢測(cè)難定位目標(biāo)。因此，在目標(biāo)檢測(cè)時(shí)存在著待檢測(cè)目標(biāo)復(fù)雜度不均衡問(wèn)題。針對(duì)以上問(wèn)題，對(duì)YOLO v3算法進(jìn)行了如下方面的優(yōu)化：

1）參數(shù)優(yōu)化

在參數(shù)優(yōu)化中使用了Adam Optimizer算法和Momentum Optimizer算法進(jìn)行嘗試。

Momentum Optimizer在更新參數(shù)時(shí)，利用了超參數(shù)，參數(shù)更新公式為：

p＝1p－1＋(－1) (1)

－1＝－1－p(2)

式中：1為超參數(shù)；為學(xué)習(xí)率（初始值為0.001）；為參數(shù)；(－1)為損失函數(shù)的梯度。

Momentum算法計(jì)算了梯度的指數(shù)加權(quán)平均，減少了縱軸的震蕩，加快了橫軸的迭代速度，但其收斂較慢。

Adam Optimizer通過(guò)利用梯度的一階矩陣估計(jì)和二階矩陣估計(jì)，為不同的參數(shù)設(shè)計(jì)了獨(dú)立的自適應(yīng)學(xué)習(xí)率，而且能夠存儲(chǔ)之前衰減的平均梯度，是一種尋找全局最優(yōu)的優(yōu)化算法，集成了動(dòng)量梯度算法和RMS（root mean square）梯度下降算法的優(yōu)點(diǎn)。因此，參數(shù)優(yōu)化使用Adam優(yōu)化器在訓(xùn)練過(guò)程中進(jìn)行優(yōu)化（初始學(xué)習(xí)率為0.001）。

2）損失函數(shù)優(yōu)化

YOLO v3的優(yōu)化后的損失函數(shù)由公式(3)中的兩部分組成，分別是置信度損失函數(shù)和位置回歸損失函數(shù)：

式中：(c,x,y,w,h)為優(yōu)化后的YOLO v3損失函數(shù)；為匹配到目標(biāo)區(qū)域的Default Box的數(shù)量；為用于調(diào)整Confidence loss和Location loss的比例（初＝1）。

3）檢測(cè)框的優(yōu)化

在高壓開(kāi)關(guān)設(shè)備紅外圖像中Ground truth（GT）是非常少的，Default_box是非常多的，因此采用以下步驟對(duì)其抑制：

Step 1：取IOU最高的pre_box與GT匹配，保證Feature map上的Default_box至少有一個(gè)與GT匹配；

Step 2：若剩余Default_box的IOU大于閾值，則GT對(duì)應(yīng)多個(gè)Default_box。采用模塊對(duì)正負(fù)樣本進(jìn)行選擇，使其正負(fù)樣本比例控制在1:3；

Step 3：采用非極大值抑制模塊（non-maximum suppression，NMS）檢測(cè)，得分最高的框保留，其他與被選中框有明顯重疊的檢測(cè)框被抑制。

經(jīng)改進(jìn)后的YOLO v3使得數(shù)據(jù)集中占少數(shù)的樣本對(duì)損失函數(shù)的貢獻(xiàn)度將得到提升，同時(shí)目標(biāo)標(biāo)定框的準(zhǔn)確率有所提升。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)環(huán)境：本文在Linux系統(tǒng)下使用Ubuntu 16.04的系統(tǒng)平臺(tái)，在Python2.7.15下使用Tensorflow 1.3.0，計(jì)算機(jī)配置如表3所示。

表3 實(shí)驗(yàn)硬件設(shè)備

3.1 模型效果展示

在新建的高壓開(kāi)關(guān)設(shè)備紅外圖像數(shù)據(jù)集中，隨機(jī)抽取8張異常發(fā)熱故障測(cè)試圖像，對(duì)遷移學(xué)習(xí)加載權(quán)重訓(xùn)練出來(lái)的模型，進(jìn)行測(cè)試，測(cè)試效果如圖4所示。

圖4中可以看出，具有異常發(fā)熱的高壓開(kāi)關(guān)設(shè)備的亮白區(qū)域，不論存在單個(gè)異常發(fā)熱區(qū)域，還是存在多個(gè)異常發(fā)熱區(qū)域均能被正確的標(biāo)定，同時(shí)矩形框的大小符合目標(biāo)區(qū)域的大小。

實(shí)驗(yàn)測(cè)試結(jié)果表明，優(yōu)化后的YOLO v3能夠從復(fù)雜的紅外圖像中比較準(zhǔn)確地識(shí)別和定位出高壓開(kāi)關(guān)設(shè)備的異常發(fā)熱故障點(diǎn)，同時(shí)具有較高的檢測(cè)精度。

圖4 模型測(cè)試效果圖

3.2 實(shí)驗(yàn)結(jié)果分析

Loss曲線是用來(lái)表示預(yù)測(cè)的目標(biāo)值與實(shí)際的目標(biāo)值的差距。在卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，網(wǎng)絡(luò)中的所有參數(shù)不斷地被優(yōu)化，使得損失函數(shù)的值連續(xù)減小，從而得到表現(xiàn)更加優(yōu)異的卷積神經(jīng)網(wǎng)絡(luò)模型。圖5顯示出，該模型在學(xué)習(xí)率方面因被修改后的損失函數(shù)而表現(xiàn)良好。

圖5 Loss曲線圖

IOU（intersection-over-union）是一個(gè)衡量我們的模型檢測(cè)故障目標(biāo)好壞的重要指標(biāo)，預(yù)測(cè)的框與標(biāo)注的框的差異性越接近越好，這樣才會(huì)使得標(biāo)注框與預(yù)測(cè)框的重合程度提高。從圖6可以看出，隨著batches的增加，矩形框能夠與目標(biāo)完美地重合。

圖6 IOU曲線圖

使用平均精度（mean average precision，mAP）作為評(píng)價(jià)指標(biāo)，對(duì)算法進(jìn)行評(píng)估，由表4可以看出，優(yōu)化后的YOLO v3的mAP值達(dá)到91.83%，與Faster R-CNN效果接近，較一次性回歸檢測(cè)算法SSD300、RetinaNet和YOLO v3分別提升了0.1011、0.1215、0.0818。SSD300采用多層特征圖作為預(yù)測(cè)輸出，在網(wǎng)絡(luò)加深時(shí)，目標(biāo)的特征進(jìn)一步弱化，網(wǎng)絡(luò)無(wú)法對(duì)其進(jìn)行有效表征。RetinaNet采用了Focalloss，有效地提升了正負(fù)樣本不平衡問(wèn)題，然而由于其處理基礎(chǔ)網(wǎng)絡(luò)較為簡(jiǎn)單，相比較YOLO v3所采用的DarkNet-53網(wǎng)絡(luò)依舊缺乏對(duì)紅外目標(biāo)的特征提取，而優(yōu)化后YOLO v3在高壓開(kāi)關(guān)設(shè)備異常發(fā)熱點(diǎn)檢測(cè)時(shí)平均精度相對(duì)較高。

表4 實(shí)驗(yàn)結(jié)果及算法對(duì)比

4 總結(jié)

高壓開(kāi)關(guān)設(shè)備是保護(hù)電氣設(shè)備的重要一環(huán)。在系統(tǒng)的日常運(yùn)行、維護(hù)或更換過(guò)程中可能會(huì)出現(xiàn)發(fā)熱故障，從而可能引發(fā)系統(tǒng)故障問(wèn)題。此時(shí)使用紅外圖像故障診斷識(shí)別技術(shù)是一個(gè)很好的解決方案。本文提出了基于YOLO v3的高壓開(kāi)關(guān)設(shè)備紅外圖像異常發(fā)熱點(diǎn)目標(biāo)檢測(cè)方法，通過(guò)對(duì)該算法參數(shù)、Loss函數(shù)和檢測(cè)框的優(yōu)化，使得檢測(cè)的速度和誤差在高壓開(kāi)關(guān)設(shè)備異常發(fā)熱點(diǎn)檢測(cè)中得到了大大的改善。實(shí)驗(yàn)測(cè)試結(jié)果表明，優(yōu)化后的YOLO v3，能夠弱化干擾信息，使得紅外圖像中的異常發(fā)熱故障點(diǎn)被準(zhǔn)確地定位和識(shí)別出來(lái)，應(yīng)用效果較為理想，具有較高的實(shí)際應(yīng)用價(jià)值。

需要特別說(shuō)明的是，實(shí)驗(yàn)時(shí)如果測(cè)試集得出的準(zhǔn)確率很高，實(shí)際目標(biāo)檢測(cè)的準(zhǔn)確率上不去，要考慮圖片噪聲是否過(guò)大，若是則應(yīng)先進(jìn)行圖片預(yù)處理，使預(yù)處理后的輸入圖片盡量接近測(cè)試集中的圖片。因?yàn)闇y(cè)試集和訓(xùn)練集是相對(duì)獨(dú)立的，測(cè)試集得出的準(zhǔn)確率對(duì)模型是有意義的。

[1] 顧鵬程, 黃福珍. 基于改進(jìn)Chan-Vese模型的電力設(shè)備紅外圖像分割[J]. 計(jì)算機(jī)工程與應(yīng)用, 2017, 53(10): 193-196, 212.

GU Pengcheng, HUANG Fuzhen. Power equipment infrared image segmentation based on improved Chan-Vesemodel[J]., 2017, 53(10): 193-196, 212.

[2] 賈鑫, 張?bào)@雷, 溫顯斌. 雙監(jiān)督信號(hào)深度學(xué)習(xí)的電氣設(shè)備紅外故障識(shí)別[J]. 紅外與激光工程, 2018, 47(7): 32-38.

JIA Xin, ZHANG Jinglei, WEN Xianbin. Infrared faults recognition for electrical equipments based on dual supervision signals deep learning[J]., 2018, 47(7): 32-38.

[3] Rokrakthong S, Suesut T, Tumrukwatthana N. Applying CNN to infrared thermography for preventive maintenance of electrical equipment [C/OL][2019-03-15]//, 2019: http://www.iaeng.org/ publication/IMECS2019/IMECS2019_pp367-370.pdf.

[4] LIN Y, QIN J, ZHANG W. Rpca based temperature digit extraction for electrical equipment infrared images[C]//, 2018: 7.

[5] LI Lianqiao, CHEN Xiai, ZHEN Huili, et al. Recognition and application of infrared thermal image among power facilities based on Yolo[C] //2019, 2019: DOI: 10.1109/CCDC.2019.8833160.

[6] Gitzel R, Amihai I, Perez M S G. Towards robust Ml-algorithms for the condition monitoring of switchgear[C]//2019,, 2019: 1-4.

[7] Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//2014, 2014: 580-587.

[8] Uijlings J R R, K E A van de Sande, Gevers T, et al. Selective search for object recognition[J]., 2013, 104(2): 154-171.

[9] REN S, HE K, Girshick R, et al. Faster R-cnn: towards real-time object detection with region proposal networks[J]., 2017, 39(6): 1137-1149.

[10] LIN T, Goyal P, Girshick R, et al. Focal loss for dense object detection[J]., 2020, 42(2): 318-327.

[11] 吳雙忱, 左崢嶸. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的紅外小目標(biāo)檢測(cè)[J]. 紅外與毫米波學(xué)報(bào), 2019, 38(3): 371-380.

WU Shuangchen, ZUO Zhengrong. Small target detection in infrared images using deep convolutional neural networks[J]., 2019, 38(3): 371-380.

[12] Redmon J, Farhadi A. Yolo v3: an Incremental Improvement[R/OL]. Computer Vision and Pattern Recognition, 2018: https:// arxiv.org/ abs/1804.02767.

[13] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//2016, 2016: 770-778.

The Target Detection Method for Abnormal Heating Point of High-Voltage Switchgear Based on YOLO v3

WANG Yongping，ZHANG Hongmin，PENG Chuang，GUO Hongyi

(College of Electrical and Electronic Engineering, Chongqing University of Technology, Chongqing 400054, China)

This study aims to solve the problem of reduced detection accuracy caused by a complex target -position scene and an uneven size in the detection of the abnormal heating point in an infrared image of a high-voltage switchgear. According to the YOLO v3 algorithm, the basic network architecture was optimized by including a convolution module and adjusting some hyper-parameters to realize rapid detection and identification of abnormal heating points in high-voltage switchgears. Simultaneously, a dataset for abnormal heating points of infrared images in high-voltage switchgears was established, and appropriate weights were obtained through training. The experimental results indicated that the detection method had a fast recognition speed, high accuracy, and strong generalization ability. The test accuracy reached 91.83%, indicating that the method can be initially applied to the detection of abnormal heating-point targets in high-voltage switchgears.

high voltage switchgear, infrared image, YOLO v3, target detection

TP391

A

1001-8891(2020)10-0983-05

2020-03-08；

2020-06-20.

王永平（1990-），男，碩士，研究領(lǐng)域?yàn)殡姎庠O(shè)備紅外圖像故障診斷，E-mail：ypwang0001@126.com。

張紅民（1970-），男，博士，教授，研究領(lǐng)域?yàn)閳D像處理與模式識(shí)別，E-mail：hmzhang@cqut.edu.cn。

重慶市基礎(chǔ)與前沿研究計(jì)劃項(xiàng)目（cstc2015jcyjA40051，cstc2016jcyjA0497，cstc2016jcyjA0447）。