1緒論(1)1.1數字圖像(1)1.2基于可見光圖像的氣體放電、溫度、電磁場設計研究現(xiàn)狀(2)1.3機器學習和圖像處理在氣體放電、溫度和電磁場設計方面的應用(7)1.4本章參考文獻(9)2可見光數字圖像處理、分析與理解(17)2.1數字圖像的量化(17)2.2數字圖像灰度指標(20)2.3數字圖像色度指標(22)2.4數字圖像模式識別(29)2.5本章參考文獻(32)3電暈放電可見光圖像及狀態(tài)診斷(33)3.1裝置與方法(33)3.2交流電暈圖像灰度信息(37)3.3交流電暈圖像色度信息(47)3.4負直流電暈圖像色度信息(55)3.5小結(64)3.6本章參考文獻(66)4沿面放電可見光圖像及狀態(tài)診斷(67)4.1裝置與沿面放電圖像(67)4.2交流沿面放電色度信息(68)4.3染污沿面放電色度信息(79)4.4染污程度的色度識別方法(87)4.5小結(91)4.6本章參考文獻(92)5介質阻擋放電可見光圖像及均勻性評價(93)5.1介質阻擋放電簡介(93)5.2平板電極DBD模式識別(94)5.3絲網電極DBD均勻性評價(102)5.4旋轉電極DBD均勻性評價(105)5.5本章參考文獻(109)6氣體放電發(fā)射光譜的色品坐標(110)6.1放電發(fā)射光譜(110)6.2電暈發(fā)射光譜的色品坐標(112)6.3沿面放電發(fā)射光譜的色品坐標(118)6.4介質阻擋放電發(fā)射光譜的色品坐標(119)6.5小結(121)6.6本章參考文獻(121)基于數字圖像的電磁狀態(tài)診斷方法——氣體放電狀態(tài)、金屬溫度、電磁場設計目錄7氣體放電可見光圖像人工智能狀態(tài)診斷方法(122)7.1沿面放電可見光圖像的機器學習綜合診斷方法(122)7.2電暈放電可見光圖像的機器學習綜合診斷方法(140)7.3小結(147)7.4本章參考文獻(147)8電氣設備可見光圖像人工智能溫升監(jiān)控方法(149)8.1實驗裝置與機理驗證(149)8.2基于圖像色度特征的金屬表面機器學習測溫方法(156)8.3基于圖像差分色度特征的金屬表面溫差監(jiān)測方法(171)8.4日光環(huán)境下金屬器件測溫應用(177)8.5日光環(huán)境下現(xiàn)場金屬器件應用(184)8.6本章參考文獻(202)9基于數值計算云圖的均勻電磁場人工智能設計方法(204)9.1均勻電磁場設計現(xiàn)狀(204)9.2機器學習建模方法(205)9.3兩個平行圓盤電極間均勻電場優(yōu)化(208)9.4兩個平行線圈間均勻磁場優(yōu)化實例(214)9.5本章參考文獻(219)附錄A彩圖(222)附錄B課題組在該領域發(fā)表的論文和授權的專利(236)