0 引言
绝缘子作为支撑导线与线路杆塔和站内架构的绝缘器件，使用量巨大，主要有复合绝缘子、陶瓷绝缘子、玻璃绝缘子三大类[1]。其长期暴露在空气中，容易积聚污秽。遇到潮湿天气，污层中的可溶盐溶于绝缘子表面的水膜，在表面形成导电通路，使其绝缘性能显著降低[2-4]，在正常运行电压下可能发生污秽闪络，严重时可能引起电力系统运行故障，带来严重的经济损失。
为了预防污秽闪络，需对绝缘子表面污秽等级进行监测。目前，污秽等级评估方法主要有等值盐密（Equivalent Salt Deposit Density,ESDD）法、泄漏电流（Leakage Current,LC）法、表面污层电导率（Surface Pollution Layer Conductivity,SPLC）法等传统方法[5-10]和非接触式的红外成像法、紫外成像法、可见光成像法等[11-14]。传统检测方法中的等值盐密法和表面电导率法需将线路绝缘子取下后进行离线测量；泄漏电流法虽然可用于在线监测，但受绝缘子结构材质、污秽程度、受潮情况等影响，难以直接建立测量结果和污秽程度间的关系[9-10]。红外成像法和紫外成像法分别反映绝缘子的发热特征和放电特征，且易受到电磁等因素的干扰；可见光成像包含波段信息较少，无法直接对绝缘子表面污秽进行评定。
高光谱技术作为一种新型非接触检测技术，可在电磁波谱中的紫外至中红外区域的数十、数百个连续细密的光谱波段处对目标区域进行成像，具有较高的光谱分辨率，可以获得多个细密波段处的光谱反射率，构成近似连续的光谱曲线，在获取待测物空间信息的同时又能获得比多光谱更加丰富的光谱数据信息[15-16]，反映了物质对不同波长电磁波的吸收、反射特性，对实现绝缘子表面污秽检测具有很大的应用潜力。
在电力行业方面，科研人员主要运用高光谱技术进行了复合绝缘子的相关研究。文献[17]运用高光谱技术检测了车顶绝缘体的表面粗糙度，采集车顶绝缘子的高光谱图像，预处理后对谱线数据进行特征提取，并利用支持向量机（Support Vector Machine,SVM）建立了绝缘子表面粗糙度的判别模型，验证了方法的有效性；文献[18]基于高光谱全波段谱线数据建立绝缘子污秽等级支持向量机模型，并对复合绝缘子伞裙表面污层进行污秽等级划分，证明高光谱技术可用于外绝缘污秽状态评估；文献[19]利用高光谱成像仪（900～1 700nm）获取老化样本光谱信息，结合样本傅里叶中红外光谱，确定老化样本基团变化和光谱信息的对应关系，并基于深度极限学习机建立了绝缘子老化程度评估模型，实现了对绝缘子老化程度的精确分级。
以上研究初步证实了高光谱技术在绝缘子污秽检测方面的可行性，但该方法主要针对复合绝缘子，未考虑不同材质的影响。自然积污绝缘子表面未被污秽完全覆盖，包含绝缘子材质信息，而根据高光谱技术检测原理，玻璃、陶瓷、硅橡胶绝缘子材质之间的差异在高光谱谱线数据上会有所表现，无法通过同一模型对不同材质绝缘子进行污秽等级检测。对每一种材质样本测得的光谱分别建模，不仅需要大量光谱与测量值均已知的样本，而且建模成本高、耗时长、效率低[20-21]。
本文通过高光谱技术采集不同材质绝缘片不同污秽等级的谱线数据，进行相关预处理后，以玻璃材质试验数据建立支持向量机主检测模型，并运用分段直接标准化（Piecewise Direct Standardization,PDS）对主检测模型进行传递，实现同一检测模型下不同材质样本的污秽等级检测。研究结果为实现不同材质绝缘子表面污秽等级检测提供了新方法和依据。
1 样本制备及数据采集
1.1 样本制备
本文根据标准GB/T 22707—2008 《直流系统用高压绝缘子的人工污秽试验》[22]制备试验样本。选取50mm×50mm 的钢化玻璃片、硅橡胶片、陶瓷片作为人工样本材质，如图1 所示。采用氯化钠（NaCl）、高岭土制备污秽溶液。
图1 人工样本材质
Fig.1 Artificial samples materials
共制备三组试验样本，玻璃绝缘片、陶瓷绝缘片、硅橡胶绝缘片各一组，每组试验样本又分别设置标签样本和检测样本，如图2 所示。图2 中，L 为标签样本，T 为检测样本；下标中字母g、c 和r 分别代表玻璃、陶瓷和硅橡胶；下标中数字1、2、3、4 分别对应污秽等级A、B、C、D。
图2 人工污秽样本
Fig.2 Artificial contamination samples
（1）标签样本制备。根据标准，保持加入的不可溶物质量固定，分别配置电导率为1S/m、2S/m、4S/m、8S/m 的污秽溶液进行浸污，使混合物均匀附于样本，得到标签样本。采集样本高光谱数据后，经蒸馏水清洗表面污秽后测量样本的灰密、盐密。测量得到灰 密均为 0.10mg/cm2，不同污秽等级盐密分别为0.025mg/cm2、0.05mg/cm2、0.10mg/cm2 和0.20mg/cm2。
（2）检测样本制备。在保持不可溶物量固定的基础上，配置电导率为1.5S/m、3S/m、5S/m、9S/m的污秽溶液。重复（1）中的操作，得到检测样本。其灰密均为0.10mg/cm2，不同污秽等级盐密分别为0.03mg/cm2、0.06mg/cm2、0.11mg/cm2 和0.21mg/cm2。
1.2 高光谱数据采集平台
本文采用的高光谱数据采集平台示意图如图3所示，主要设备包括分析计算机、高光谱成像仪（GaiaField —F—V10）、补光灯（波长范围 400～1000nm）及反射率为99%的标准校正白板。保持镜头俯角45°，距离样本75cm。
图3 高光谱数据采集平台示意图
Fig.3 Schematic diagram of hyperspectral data acquisition platform
进行试验样本高光谱数据采集前，需采集校正白板高光谱图像，并且将高光谱仪镜头盖上采集背景信息，用于后续的数据处理。图像采集过程中，两个补光灯对试验样本及校正白板均匀补光，同时为了尽可能减少背景干扰，将样本置于黑色背景上进行数据采集。
2 高光谱数据处理及分析
2.1 高光谱数据预处理
2.1.1 黑白校正
数据采集完成后，得到的原始谱线数据如图4 所示。所得数据为样本对光的绝对反射值，环境噪声及相机内暗电流对数据都有较大影响，谱线噪声多、干扰信息多，因此需要对采集到的数据进行黑白校正。
图4 原始谱线数据
Fig.4 Original spectral line data
将前述采集的标准白板高光谱数据，作为反射率为1 的全白标定数据；盖上摄像头盖获得反射率为0 的全黑定标数据。运用ENVI（the Environment for Visualizing Images）软件，结合全白标定数据及全黑标定数据，对样本数据进行黑白校正。具体算法为
式中，RSample 为样本原始高光谱数据；RBlack 为全黑标定数据；RWhite 为全白标定数据；RData 为黑白校正后的数据。
2.1.2 多元散射校正
光线在物质表面发生反射的同时，会有部分光线发生散射。因此，对数据进行黑白校正后，为了准确表现数据信息还需进行散射校正。
运用ENVI 软件选择黑白校正后每组样本不同污秽等级样本的感兴趣区域。在每组样本不同污秽等级标签样本中随机选择45 个不同区域，在检测样本中随机选择15 个不同区域，即从每组不同污秽等级样本中得到60 条谱线，三组样本每组得到240 条谱线，最终得到人工污秽样本感兴趣区域谱线数据如图5 所示。
图5 人工污秽样本感兴趣区域谱线数据
Fig.5 Spectral line data of region of interest for artificial contamination samples
多元散射校正（Multivariate Scattering Correction,MSC）能够有效地消除因散射水平不同所带来的光谱差异，进而增强光谱与数据之间的关联性[23-24]。其理论在于运用“理想光谱”修正光谱数据中的基线平移、偏移现象。具体步骤如下：
1）由于无法准确地获得“理想光谱”，实际中，通常假设所有光谱数据的平均值为“理想光谱”。
式中，hi 为单个样本的光谱矢量，为1×m 维数据，并设H=[hi]，为n×m 维光谱数据矩阵，n 为选取的样本谱线数，m 为光谱波段数；
为所有样本的光谱数据在各个波段处求平均值所得到的平均光谱矢量，即“理想光谱”。
2）再将每组的光谱数据hi 与“理想光谱”进行一元线性回归计算，求得各光谱的相对偏移量（回归系数）ai 及基线平移量（回归常数）bi。
3）得到基线平移量及偏移量后，在每组样本光谱数据中减去基线平移量，并除以偏移量修正光谱数据的基线相对倾斜，从而每个光谱的基线平移和偏移都在标准光谱的参考下予以修正。
式中，h i(MSC)为经MSC 处理后的单个样本的光谱矢量。
图6 MSC 处理后人工污秽样本感兴趣区域谱线数据
Fig.6 Spectral line data of artificial contamination samples region of interest processed by MSC
经MSC 处理后的人工污秽样本感兴趣区域谱线数据如图6 所示。由图5 和图6 可知，MSC 处理前，不同污秽等级谱线较为分散；MSC 处理后，谱 线噪声减少，不同污秽等级样本谱线之间区分度增大。在材质的影响下，不同材质相同污秽等级的谱线数据之间，波峰波谷位置差异明显；而同一材质情况下，不同污秽等级谱线差异主要为幅值，污秽等级越高，谱线幅值越低。
2.2 分段直接标准化
分段直接标准化（PDS）算法需要的标签样本数量少，运算速度快、精度高[25-26]，因此本文选择其作为模型传递算法，不同材质绝缘子污秽等级检测流程如图7 所示。
图7 不同材质绝缘子污秽等级检测流程
Fig.7 Flow chart of contamination grade test of insulators with different materials
具体检测步骤如下：
1）建立主模型。将主材质污秽样本标签集光谱数据记为L1，并且运用标签集数据建立绝缘子污秽等级支持向量机检测主模型。
2）选取标签样本。为了确保模型传递方法得可靠性，需要未知待测样本保持完全独立，将从材质污秽样本划分为标签集L2 和未知检测集T2，L2 用于进行模型的传递，T2 用于对传递模型的准确度检测。
3）求取转换矩阵F。分别计算主材质污秽样本标签集L1 和从材质污秽样本标签集L2 的不同污秽等级平均谱线，根据对应等级之间平均谱线的差异，选择合适的校正窗口宽度，运用PDS 算法将从材质污秽样本不同等级平均谱线（MA2、MB2、MC2、MD2，其中A、B、C、D 表示污秽等级）转化为主材质污秽样本对应等级平均谱线（MA1、MB1、MC1、MD1），得到对应的转换矩阵F。以污秽等级A 为例，对于主材质污秽样本等级A 的平均光谱MA1 的第i 个波长点处光谱值MA1(i)，在从材质污秽样本等级A 平均光谱MA2 的第i 个波长点MA2,i 左右扩展一个大小为2w+1 的窗口，记为SAi，SAi=[MA2,i-w, MA2,i-w+1,…, MA2,i+w-1, MA2,i+w]，然后构建MA1(i)与SAi 的多元线性回归模型 
，通过偏最小二乘（Partial Least Squares,PLS）法求解，得到回归系数ei，并将其置于转换矩阵FA 的主对角线上，其他元素置0，得到转换矩阵FA。
4）光谱转化。根据不同污秽等级数据所得对应转化矩阵分别对从材质污秽样本标签集及检测集光谱进行转化。
5）污秽等级检测。运用主模型对转化后数据进行检测，实现不同材质绝缘子样本的污秽等级检测。
3 模型建立与结果分析
3.1 主模型建立及验证
不同材质无污秽状态下平均谱线如图8 所示。由图8 可知，玻璃材质无污秽情况下光谱反射率接近于零，因此，玻璃材质不同污秽等级样本的光谱 数据可反映污秽的信息，故选择玻璃材质为主材质，硅橡胶及陶瓷为从材质。以玻璃材质不同污秽等级样本标签集及检测集谱线数据为依据，建立绝缘子污秽等级支持向量机检测模型；硅橡胶材质及陶瓷材质不同污秽等级标签集作为标签样本，检测集用于对模型传递方法进行验证。
图8 不同材质样本无污秽情况下平均谱线数据
Fig.8 Average spectral line data of different materials samples without contamination
本文选用支持向量机建立污秽等级检测模型，其作为一种常用的广义线性分类器，训练时间短、复杂度低，主要用于数据的分类或回归问题。污秽等级分类为多值分类问题，参考文献[27]，选用“一对一”SVM 算法进行污秽等级检测。
综上所述，将玻璃材质污秽等级检测模型作为主模型，对玻璃材质检测集、硅橡胶材质检测集、陶瓷材质检测集进行等级划分，发现主模型对于玻璃材质检测效果较好，准确率为98.3%；对于硅橡胶材质、陶瓷材质污秽等级检测效果差，准确率均为25.0%。结果证明了主检测模型对陶瓷和硅橡胶材质不同污秽等级样本均不适用，需要对模型进行传递校正，以提高模型的适用性。
3.2 模型传递
根据3.1 节分析，为了得到陶瓷和硅橡胶材质样本的污秽等级检测结果，需对主模型进行传递校正。本节根据2.2 节内容进行模型传递，得到陶瓷和硅橡胶材质样本的污秽等级检测结果，分析如下。
3.2.1 模型传递后陶瓷材质污秽等级检测结果
陶瓷材质检测集经PDS 算法校正，实现模型传递后，不同污秽等级样本检测集平均谱线和与玻璃绝缘片的对比如图9 所示。由图9 可知，陶瓷绝缘片与玻璃绝缘片之间的差异明显减小，相同污秽等级对应的谱线基本一致。
图9 不同污秽等级玻璃材质标签集与陶瓷材质检测集校正后平均光谱图
Fig.9 Corrected average spectrogram of glass material label set and ceramic material detection set with different contamination grades
模型传递后，运用主检测模型进行陶瓷材质样本检测集污秽等级划分，结果如图10 所示。纵坐标表示污秽等级A、B、C、D，横坐标表示检测集样本序号，其中，1～15 号样本真实污秽等级为A，16～30 号样本真实污秽等级为B，31～45 号样本真实污秽等级为C，46～60 号样本真实污秽等级为D。模型检测结果中，36 号、53 号及58 号样本等级划分错误，准确率为95.0%。
图10 模型传递后陶瓷材质样本污秽等级检测结果
Fig.10 Test results of contamination grades of ceramic material samples after model transfer
3.2.2 模型传递后硅橡胶材质污秽等级检测结果
同样，对硅橡胶材质检测集样本进行PDS 校正，实现模型传递后，得到校正后不同污秽等级平均谱线，如图11 所示，可见其与玻璃材质谱线数据基本一致。
图11 不同污秽等级玻璃材质标签集与硅橡胶材质检测集校正后平均光谱图
Fig.11 Corrected average spectrogram of glass material label set and silicone rubber material detection set with different contamination grades
然后，运用主检测模型进行硅橡胶材质样本校正后检测集污秽等级划分，结果如图12 所示。与3.2.1 节相同，不同污秽等级各15 个样本，共60 个检测样本，其中14 号、15 号、17 号、53 号及54 号样本等级划分错误，准确率为91.7%。
图12 模型传递后硅橡胶材质样本污秽等级检测结果
Fig.12 Test results of contamination grades of silicone rubber material samples after model transfer
PDS 算法传递前后，主检测模型对陶瓷材质和硅橡胶材质检测集的检测结果见表1。对比可知，PDS 算法传递后，能够提高主检测模型对不同材质样本污秽等级检测的准确率，实现不同材质绝缘子的污秽等级检测。
表1 PDS 算法传递前后模型检测结果比较
Tab.1 Comparison of model checking results before and after PDS algorithm transfer
3.3 实例验证
参考人工积污试验[28]，将NaCl 与高岭土混合污秽沉积于复合绝缘子、陶瓷绝缘子及硅橡胶绝缘子表面，如图13 所示。积污后，首先采集其高光谱数据，然后采用蒸馏水清洗污秽，测量换算得到绝缘子盐密、灰密值。测得玻璃绝缘子表面盐密为0.90mg/cm2，灰密为0.11mg/cm2；陶瓷绝缘子表面盐密为0.11mg/cm2，灰密为0.12mg/cm2；硅橡胶绝缘子表面盐密为0.80mg/cm2，灰密为0.11 mg/cm2，对应污秽等级均为C。
图13 人工积污绝缘子
Fig.13 Artificial contamination insulators
对数据进行预处理后（其中，分别获取三种材质绝缘子高光谱数据感兴趣区域谱线各10 组），运用PDS 算法校正陶瓷绝缘子及硅橡胶绝缘子数据。运用建立的检测模型进行污秽等级检测，结果如图14 所示，其中1～10 号样本数据来自玻璃绝缘子，11～20 号样本数据来自陶瓷绝缘子，21～30 号样本来自硅橡胶绝缘子。7 号、13 号、17 号、23 号和26号检测错误，准确率为83.3%。由于高光谱谱线数据取自局部感兴趣区域，反映的是局部污秽程度，而所测得的污秽程度为绝缘子表面均值，且测量过程可能出现误差。因此，可能出现实测均值与局部值不对应，导致检测结果出现错误。
图14 人工积污绝缘子表面污秽等级检测结果
Fig.14 Results of artificial contamination insulators surface contamination grades detection
4 结论
本文制备了不同材质绝缘片不同污秽等级人工样本，运用高光谱技术，建立了以玻璃绝缘片数据为主模型的支持向量机污秽等级检测模型，运用PDS 算法对陶瓷、硅橡胶材质数据进行了模型传递，得到了不同材质绝缘样本污秽等级检测方法，得出以下结论：
1）不同材质绝缘子在相同污秽等级情况下，高光谱谱线差异明显，表现在吸收峰、反射峰位置及变化趋势完全不同；同一种材质不同污秽等级情况下，谱线差异主要表现在幅值方面，污秽等级越高，谱线幅值越低。
2）基于玻璃绝缘样本标签集建立的SVM 污秽等级检测模型，对玻璃样本检测集污秽等级的检测准确率为98.3%。PDS 算法能够有效减小陶瓷、硅橡胶样本谱线与玻璃样本谱线之间的差异。实现模型传递后，模型对陶瓷样本检测集污秽等级划分准确率由25.0%提高到95.0%，对硅橡胶样本检测集污秽等级划分准确率由25.0%提高到91.7%。
3）本文所提出的检测方法，可对不同材质的人工积污绝缘子污秽等级进行检测，准确率为83.3%，为不同材质绝缘子的污秽等级检测提供了技术参考。
[1]关志成,刘瑛岩,周远翔.绝缘子及输变电设备外绝缘[M].北京: 清华大学出版社,2006.
[2]蒋兴良,任晓东,韩兴波,等.不同布置方式对交流绝缘子串人工污秽闪络特性的影响[J].电工技术学报,2020,35(4): 896-905.Jiang Xingliang,Ren Xiaodong,Han Xingbo,et al.Influence of different layout methods on artificial pollution flashover characteristics of AC insulator strings[J].Transactions of China Electrotechnical Society,2020,35(4): 896-905.
[3]姜昀芃,李黎,卢明,等.瓷绝缘子表面粘附颗粒的粒径分布特性及其影响因素研究[J].电工技术学报,2019,34(3): 611-619.Jiang Yunpeng,Li Li,Lu Ming,et al.Study on particle diameter distribution characteristics and influence factors of adhered particles on the porcelain insulator surface[J].Transactions of China Electrotechnical Society,2019,34(3): 611-619.
[4]谷裕,阳林,张福增,等.高海拔地区特高压换流站大尺寸复合支柱绝缘子直流污闪特性[J].电工技术学报,2016,31(10): 93-101.Gu Yu,Yang Lin,Zhang Fuzeng,et al.DC pollution flashover performance of ultra high voltage convert stations large-size composite post insulators at high altitude areas[J].Transactions of China Electrotechnical Society,2016,31(10): 93-101.
[5]赵全香,李红艳,韩振,等.绝缘子污秽检测方法综述[J].电气开关,2012,50(4): 96-98.Zhao Quanxiang,Li Hongyan,Han Zhen,et al.A summary of insulator pollution detection method[J].Electric Switchgear,2012,50(4): 96-98.
[6]姜新建,董弘川,王黎明,等.用有效盐密作为表征污秽度的新方法[J].高电压技术,2017,43(12): 3869-3875.Jiang Xinjian,Dong Hongchuan,Wang Liming,et al.New method to describe contamination degree of insulators by effective equivalent salt deposit density[J].High Voltage Engineering,2017,43(12): 3869-3875.
[7]王黎明,李旭,曹彬,等.局部电弧对绝缘子泄漏电流和表面电导率关系的影响[J].高电压技术,2019,45(5): 1624-1629.Wang Liming,Li Xu,Cao Bin,et al.Influence of partial arc on leakage current and surface conductivity of insulators[J].High Voltage Engineering,2019,45(5): 1624-1629.
[8]刘刚,胡倩楠,陈锡阳.由表面电导实现绝缘子污秽程度监测的可行性分析[J].高电压技术,2012,38(6): 1321-1326.Liu Gang,Hu Qiannan,Chen Xiyang.Feasibility analysis of monitoring the insulator surface contamination based on surface conductivity[J].High Voltage Engineering,2012,38(6): 1321-1326.
[9]毛颖科,关志成,王黎明,等.基于泄漏电流脉冲主成分分析的外绝缘污秽状态评估方法[J].电工技术学报,2009,24(8): 39-45.Mao Yingke,Guan Zhicheng,Wang Liming,et al.Evaluation of contamination levels of outdoor insulators based on the principal components analysis of leakage current pulses[J].Transactions of China Electrotechnical Society,2009,24(8): 39-45.
[10]宋毅.绝缘子表面污层电导率的影响因素研究[J].高压电器,2014,50(10): 102-106.Song Yi.Study on influence factor of insulator surface pollution layer conductivity[J].High Voltage Apparatus,2014,50(10): 102-106.
[11]王旭红,李浩,樊绍胜,等.基于改进SSD 的电力设备红外图像异常自动检测方法[J].电工技术学报,2020,35(增刊1): 302-310.Wang Xuhong,Li Hao,Fan Shaosheng,et al.Infrared image anomaly automatic detection method for power equipment based on improved single shot multi box detection[J].Transactions of China Electrotechnical Society,2020,35(S1): 302-310.
[12]Jin Lijun,Tian Zhiren,Ai Jianyong,et al.Condition evaluation of the contaminated insulators by visible light images assisted with infrared information[J].IEEE Transactions on Instrumentation and Measurement,2018,67(6): 1349-1358.
[13]艾建勇,金立军.基于紫外图像的接触网棒瓷绝缘子污秽状态检测[J].电工技术学报,2016,31(10): 112-118.Ai Jianyong,Jin Lijun.Rod porcelain insulator filth state detection of catenary based on ultraviolet image[J].Transactions of China Electrotechnical Society,2016,31(10): 112-118.
[13]黄新波,杨璐雅,张烨,等.基于图像增强的瓷质绝缘子灰密程度检测方法[J].电力系统自动化,2018,42(14): 151-157.Huang Xinbo,Yang Luya,Zhang Ye,et al.Image enhancement based detection method of non-soluble deposit density levels of porcelain insulators[J].Automation of Electric Power Systems,2018,42(14): 151-157.
[15]陈宏达.高光谱遥感图像的降维与分类研究[D].上海: 复旦大学,2013.
[16]童庆禧,张兵,郑兰芬.高光谱遥感: 原理、技术与应用[M].北京: 高等教育出版社,2006.
[17]Shi Chaoqun,Zeng Haolun,Guo Yujun,et al.Surface roughness detection of roof insulator based on hyperspectral technology[J].IEEE Access,2020,8: 81651-81659.
[18]邱彦,张血琴,郭裕钧,等.基于高光谱技术的绝缘子污秽等级检测方法[J].高电压技术,2019,45(11): 3587-3594.Qiu Yan,Zhang Xueqin,Guo Yujun,et al.Detection method of insulator contamination grades based on hyperspectral technique[J].High Voltage Engineering,2019,45(11): 3587-3594.
[19]张血琴,张玉翠,郭裕钧,等.基于高光谱技术的复合绝缘子表面老化程度评估[J].电工技术学报,2021,36(2): 388-396.Zhang Xueqin,Zhang Yucui,Guo Yujun,et al.Aging degree evaluation of composite insulator based on hyperspectral technology[J].Transactions of China Electrotechnical Society,2021,36(2): 388-396.
[20]王艳斌,袁洪福,陆婉珍.一种基于目标因子分析的模型传递方法[J].光谱学与光谱分析,2005,25(3): 398-401.Wang Yanbin,Yuan Hongfu,Lu Wanzhen.A new calibration transfer method based on target factor analysis[J].Spectroscopy and Spectral Analysis,2005,25(3): 398-401.
[21]李庆波,张广军,徐可欣,等.DS 算法在近红外光谱多元校正模型传递中的应用[J].光谱学与光谱分析,2007,27(5): 873-876.Li Qingbo,Zhang Guangjun,Xu Kexin,et al.Application of DS algorithm to the calibration transfer in near-infrared spectroscopy[J].Spectroscopy and Spectral Analysis,2007,27(5): 873-876.
[22]国家质量监督检验检疫总局,中国国家标准化管理委员会.GB/T 22707—2008 直流系统用高压绝缘子的人工污秽试验[S].北京: 中国标准出版社,2009.
[23]芦永军,曲艳玲,宋敏.近红外相关光谱的多元散射校正处理研究[J].光谱学与光谱分析,2007,27(5): 877-880.Lu Yongjun,Qu Yanling,Song Min.Research on the correlation chart of near infrared spectra by using multiple scatter correction technique[J].Spectroscopy and Spectral Analysis,2007,27(5): 877-880.
[24]刘晓旭.基于不同预处理方法的小麦叶片氮素含量的高光谱估测[D].泰安: 山东农业大学,2018.
[25]刘娇,李小昱,郭小许,等.不同品种间的猪肉含水率高光谱模型传递方法研究[J].农业工程学报,2014,30(17): 276-284.Liu Jiao,Li Xiaoyu,Guo Xiaoxu,et al.Transfer method among water content detection models for different breeds of pork by hyperspectral imaging technique[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(17): 276-284.
[26]黄承伟,戴连奎,董学锋.结合SNV 的分段直接标准化方法在拉曼光谱模型传递中的应用[J].光谱学与光谱分析,2011,31(5): 1279-1282.Huang Chengwei,Dai Liankui,Dong Xuefeng.The application of piecewise direct standardization with SNV in calibration transfer of Raman spectra[J].Spectroscopy and Spectral Analysis,2011,31(5): 1279-1282.
[27]吴广宁,袁海满,宋臻杰,等.基于粗糙集与多类支持向量机的电力变压器故障诊断[J].高电压技术,2017,43(11): 3668-3674.Wu Guangning,Yuan Haiman,Song Zhenjie,et al.Fault diagnosis for power transformer based on rough set and multi-class support vector machine[J].High Voltage Engineering,2017,43(11): 3668-3674.
[28]国家质量监督检验检疫总局,中国国家标准化管理委员会.GB/T 26218.1—2010 污秽条件下使用的高压绝缘子的选择和尺寸确定 第1 部分：定义、信息和一般原则[S].北京: 中国标准出版社,2011.