Improved K-means Clustering-based Defect Detection Method for Photovoltaic Panels
-
摘要: 为了能够对光伏组件热斑部分准确地识别和提取，提出了一种基于HSV空间模型的改进K均值聚类图像处理方法。首先，将红外图像进行HSV空间转换和双边滤波处理，去除噪声并提高图像对比度；其次，使用高斯核函数估计实现图像灰度概率密度函数提取，并以此获取初始聚类中心；最后，利用先验知识对图像进行K均值聚类，提取和量化热斑缺陷。研究结果表明，该方法能够快速地检测定位热斑位置并统计出光伏板损坏程度，具有较高的精度以及较好的灵敏性和稳定性。Abstract: An image processing method based on the HSV space model with an improved K-means clustering algorithm is proposed to accurately identify and extract the hot spot part of photovoltaic modules. First, the infrared image is transformed into the HSV space and bilaterally filtered to remove noise and improve the image contrast. Second, the Gaussian kernel function is used to extract the image grayscale probability density function, and then the initial clustering center is obtained. Finally, K-means clustering is applied to the image using prior knowledge to extract and quantify the hot spot defects. The research results show that the method can quickly detect and locate the hotspot position and calculate the degree of damage to the photovoltaic panel, and has high accuracy, good sensitivity, and stability.
-
Keywords:
- infrared image /
- defect detection /
- hot spot /
- photovoltaic module /
- HSV space model /
- improved K-means clustering
-
0. 引言
混凝土材料往往因为预埋钢筋的腐蚀、水的侵蚀、连续的冻融循环、荷载等多种因素共同作用，产生裂缝、孔洞和分层等缺陷[1]。这些内部缺陷随着时间的推移会逐渐积聚、扩展，严重威胁着结构的耐久性和安全性[2]。主动红外热像检测方法作为一种无损检测手段，由于具有检测面积大、非接触式和应用操作简单等优点在混凝土结构检测领域得到了广泛的关注，并逐渐被应用到了隧道、桥梁现场检测中。
主动红外热像检测技术是一种利用红外热像仪检测材料内部缺陷的无损检测方法，其检测的基本原理是：材料被热激励后其表面红外辐射量因内部缺陷的存在而表现出差异，红外热像仪通过记录该差异，以获得材料内部的缺陷信息[3]。红外图像的信息提取与分析是红外热像检测技术的核心内容。理论上，根据热图像缺陷区域和正常区域之间的红外辐射差异可获得缺陷的信息。但实际上，红外图像本质是根据缺陷与正常区域之间的温度和辐射率生成的灰度图，而且红外光辐射的能量远比可见光低，因此到达光学镜头的红外辐射能很小，导致了红外图像与可见光图像相比只有较低的对比度，分辨弱小目标和细节能力差[4]；另外，红外光子的随机性、红外成像系统的固有特性以及热激励不均匀等给红外图像引入了许多噪声，在一定程度上改变了图像的原始信息，增加了图像分割及后续图像处理的难度[5-6]。传统的基于空域的红外图像处理方法主要分为两个大的步骤：首先，是对红外图像进行降噪和增强，常用的方法有高斯滤波、中值滤波、引导滤波、小波变换、Contourlet变换、三维块匹配算法等[7-10]；其次，对红外图像进行边缘特征的提取，常用的方法有：基于边缘的检测算法、基于数学形态的检测算法和最近发展较快的基于网络模型的检测算等[11-12]。传统的基于单张空域的红外图像处理方法虽然在一定程度上可以消除噪声的影响、提高图像的对比度，但是仍存在一些问题。第一，采集的数据集包含大量的热图像，每一帧红外图像都对应着某一时刻，依靠视觉手动选择缺陷信息丰富的红外图像进行缺陷信息的提取的识别费时费力。第二，在图像降噪、增强和图像分割过程中设定阈值会引入主观成分，干扰红外图像的解释。第三，仅仅分析单张红外图像，忽略采集过程中的时序信息可能会导致忽略一些边缘的缺陷信息[13-14]。
针对上述问题，本文提出了一种基于时序信息的红外图像缺陷信息提取方法。首先，通过室内实验制作含缺陷分层的混凝土试块，其次利用主动红外热像检测技术进行红外数据的采集，提取每个像素点的温度特征曲线，然后采用基于时序信息的提取方法进行含分层缺陷混凝土的缺陷提取，并与传统的基于空域的处理方法进行对比分析。
1. 基本原理
1.1 主动红外热像检测技术原理和系统
主动红外热像检测技术中，当以一定的距离对混凝土材料表面持续加热时，物体会吸收入射波的能量并将其转化为热能，并以温度场的形式表现出来。如果试样存在缺陷（本研究采用的是隔热型缺陷，模拟混凝土内部的空气分层缺陷），到达缺陷的大部分能量将反射到试样表面，引起表面正常区域和有缺陷区域温度场的差异。
利用红外热像仪记录整个检测过程中物体表面温度场的空间和时间分布信息，通过对红外图像数据进行分析和处理进而可以提取材料近表层的分层缺陷信息。主动红外热像检测技术采集到的一系列红外图像组成了一个三维的图像数据集[15]（尺寸：Nx×Ny×Nt，见图 1(a)），在空间维度上，每一帧对应着某一时刻红外热像仪所采集到的物体表面温度场信息，其像素个数为Nx×Ny；在时间维度上，每个像素点可以看作是一条随时间变化的温度特征曲线（Nt时间点组成），如图 1(b)所示，其中标签NT11 DEFECT表示缺陷区域的温度特征曲线，标签NT11 NORMAL表示正常区域的温度特征曲线。
![]()
图 1 主动红外热成像采集的数据结构：(a) 三维红外数据；(b) 像素点温度特征曲线Figure 1. Active infrared thermal imaging acquisition of data structures (a) Three-dimensional infrared data; (b) Temperature characteristic curves of pixels1.2 基于时序信息的缺陷信息提取原理
主动红外热像技术采集到的三维红外图像数据，其正常区域和含缺陷的区域每个像素点的温度特征曲线在冷却阶段会存在差异，如图 1(b)所示，利用这个特点我们可以采用许多能够分辨这个特征曲线差异值的相关算法进行缺陷信息的提取，本文采用相对简单、容易实施的K-means方法来提取混凝土的缺陷信息。K-means聚类方法的原理是同一类内的实体是相似的，一个类是测试空间中点的集合，同一类内任意一个点到其类中心的距离小于其到其它类中心的距离，我们可以用此算法分辨正常区域和缺陷区域的温度特征曲线[16]。K-means方法的关键是核函数的选取，核函数决定了其分辨能力，本文采用常用的马氏距离进行度量。其具体算法原理如下[17]：
假设给定的数据集为Y={y1, y2, …, ym}，其中yi=[X1, X2, …, Xn]，将数据对象划分为k类C={c1, c2, …, ck}，每个类有一个类中心U={u1, u2, …, uk}。选取欧式距离作为相似性和距离判断准则，计算ck类内各点到聚类中心uk的距离平方和，见公式(1)：
$$ J\left( {{c_k}} \right) = \sum\limits_{{x_i} \in {C_k}} {{{\left\| {{x_i} - {u_k}} \right\|}^2}} $$ (1) 聚类的目标是使各类总的距离平方和最小，见公式(2)：
$$ J(C) = \sum\limits_{k = 1}^K J \left( {{c_k}} \right) = \sum\limits_{k = 1}^K {\sum\limits_{{x_i} \in {C_k}} {{{\left\| {{x_i} - {u_k}} \right\|}^2}} } $$ (2) 根据最小二乘法和拉格朗日原理，聚类中心uk应该取为类别ck类各数据点的平均值。
K-means算法是一个反复迭代过程，目的是使聚类域中所有的点到聚类中心距离的平方和最小。
2. 实验与数据分析
2.1 实验过程
本次实验混凝土试件的设计强度为C50，尺寸为50 cm×50 cm×20 cm，在混凝土中嵌入4块尺寸为10 cm×10 cm的聚苯乙烯材料（隔热型材料），模拟混凝土中的分层缺陷，混凝土试块见图 2(a)。试验采用美国FLIR公司的A655SC非制冷型红外热像仪，其热灵敏度为30 mK，图像分辨率为640×480，标准测温范围为－40℃~150℃，波长范围为7.5~14 μm，见图 2(b)。主动热激励系统采用自制的配有自动控制加热时间的碳化硅远红外加热板，共2块，每块加热板的加热功率为500 W，见图 2(c)。整个实验过程中加热时间为5 min，冷却时间为10 min；加热完成后，立即用红外热像仪采集试样表面的冷却温度场，整个采集系统见图 3所示，本文选用的是持续加热法。
![]()
图 2 实验试块和仪器：(a) 混凝土试块；(b) 红外热像仪；(c) 红外加热板Figure 2. Test blocks and instruments: (a) Concrete test block; (b) Infrared thermal imager; (c) Infrared heating plate2.2 红外图像数据
实验采集到的红外图像序列如图 4所示，根据红外图像可以发现一共存在4块分层缺陷，各个缺陷之间存在温度场相互影响的干扰区，而且各个缺陷的轮廓比较模糊，存在被隐藏的缺陷信息。整个采集的红外图像数据的第一帧（0 s）最清晰，其正常区域和缺陷区域存在较大的温差；之后随着冷却的进行，正常区域和缺陷区域的温差逐渐减小，缺陷信息逐渐模糊，至最后一帧很难用肉眼分辨。
3. 红外图像处理和对比分析
3.1 红外图像缺陷提取
主动红外热像检测技术所采集的图像每一帧都含有大量的噪声，为了测试基于时序信息红外图像缺陷信息提取的可行性以及性能，本次在图像特征提取前不对图像进行预处理。首先，将红外图像数据按像素点逐个提取时间序列，组成聚类数据集；然后将时序数据序列输入到K-means程序中，进而得到每一帧各个像素点的聚类信息。为了提高运算效率，本次在图像序列处理中采样间隔为1，其序列长度减小为原来的一半。聚类完成后得到图像中每一个像素点所属的类别，进而完成对图像缺陷信息的提取。
图 5为经过聚类后的提取结果，通过观察发现4个缺陷信息都被提取出来，与原始红外图像相比（图 4），其缺陷信息有了明显的增强，缺陷信息完全肉眼可见，每个识别出的缺陷区域呈近似正方形，完整性相当好，接近于预埋缺陷的形状，而且缺陷提取后的图像序列的时序信息得以保留。
3.2 对比分析
为了测试基于时序信息红外图像分层缺陷的信息提取效果，本文采用基于空域的二维K-means图像缺陷信息提取算法与其进行对比。由于采集的红外图像数据集第一帧（0 s）缺陷信息最清晰，因此选用第一帧红外图像进行基于空域的分层缺陷信息提取。两种方法的分层缺陷信息提取结果见图 6，由图 6(b)所示，基于时序信息的分层缺陷提取方法4个分层缺陷都被完全提取出来，图 6(a)中模糊、隐藏的信息也被提取出来，缺陷细节分辨能力较好。由图 6(c)所示，基于空域信息的分层缺陷信息提取方法4个分层缺陷被识别为一个缺陷，缺陷细节分辨能力较差。通过分析可能是受缺陷之间温度场叠加的相互影响，缺陷之间区域（图 6(a)中虚线框内部所示的无缺陷区域）的温度信息和分层缺陷的温度场信息较为接近，而和图 6(a)的无缺陷边缘温度场信息差异较大，导致基于空域信息的提取方法效果较差；根据含缺陷混凝土试块的物理特性可知，存在分层缺陷和正常区域的温度特征曲线是存在差异的，基于时序信息的提取方法主要是根据每个像素点的温度特征曲线差异来提取特征，其提取缺陷的分辨能力和效果更好。
![]()
图 6 处理结果对比分析：(a) 红外原图；(b) 基于时序K-means方法；(c) 基于空域K-means方法Figure 6. Comparative analysis of processing results: (a) Original infrared image; (b) K-means method based on temporal information; (c) K-means method based on spatial information4. 结论
主动红外热像检测技术中，传统的红外图像处理方法在一定程度上可以消除噪声、提高图像的对比度，但是仍存在一些问题。针对上述问题，本文根据主动红外热成像的数据特点提出了一种基于时序信息的红外图像缺陷信息提取方法。结果表明，基于时序信息的缺陷提取方法是可行的，其可以提取到隐藏的缺陷信息，分层缺陷信息提取效果优于基于空域的K-means方法。
-
![]()
图 2 图像预处理效果对比：(a) 原图；(b) 预处理后图像；(c) 原图灰度分布；(d) 预处理后图像灰度分布
Figure 2. Comparison of image pre-processing effects: (a) Original drawing; (b) Pre processed image; (c) Gray distribution of original image; (d) Gray distribution of preprocessing image
![]()
图 3 高斯核函数估计前后的灰度概率密度
Figure 3. Probability density of grayscale before and after estimation of Gaussian kernel function
![]()
图 10 不同算法缺陷检测对比：(a) 改进K均值算法；(b)传统K均值算法；(c) 改进OSTU算法；(d) B样条最小二乘拟合法
Figure 10. Comparison chart of different algorithms for defect detection; (a) Improved K-means algorithm; (b) Traditional K-means algorithm; (c) Improved OSTU algorithm; (d) B-spline least square fitting method
表 1 禅思H20T红外相机参数
Table 1 Zenmuse H20T infrared camera parameters
Resolution Wavelength range Measuring range Focal length 640×512 8-14 μm −40℃ to 150℃ 13.5 mm 
下载: 导出CSV
表 2 K-means改进效果评估
Table 2 Evaluation table of K-means improvement effect
Algorithm IE DBI SC Improved K-means 3.4843 0.4709 0.8274 Traditional K-means 3.5804 0.4719 0.8248
下载: 导出CSV
-
[1] Romero-Cadaval Enrique, Spagnuolo Giovanni, Garcia Franquelo Leopoldo, et al. Grid-connected photovoltaic generation plants: components and operation[J]. Industrial Electronics Magazine IEEE, 2013, 7(3): 6-20. DOI: 10.1109/MIE.2013.2264540
[2] Vergura Silvano, Marino Francescomaria. Quantitative and computer-aided thermography-based diagnostics for PV devices: part Ⅰ—framework[J]. IEEE Journal of Photovoltaics, 2017, 7(3): 822-827. DOI: 10.1109/JPHOTOV.2017.2655484
[3] YANG Ruizhen, DU Bolun, DUAN Puhong, et al. Electromagnetic induction heating and image fusion of silicon photovoltaic cell electrothermography and electroluminescence[J]. IEEE Transactions on Industrial Informatics, 2020, 16(7): 4413-4422. DOI: 10.1109/TII.2019.2922680
[4] 卜迟武, 刘涛, 李锐, 等. 光伏电池缺陷红外热成像检测与图像序列处理[J]. 光学学报, 2022, 42(7): 118-124. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB202207012.htm BU Chiwu, LIU Tao, LI Rui, et al. Infrared thermal imaging detection and image sequence processing of photovoltaic cell defects[J]. Journal of Optics, 2022, 42(7): 118-124. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB202207012.htm
[5] WANG Youyang, LI Liying, SUN Yifan, et al. Adaptive automatic solar cell defect detection and classification based on absolute electroluminescence imaging[J]. Energy, 2021, 229: 120606. DOI: 10.1016/j.energy.2021.120606
[6] 韩金辉, 魏艳涛, 彭真明, 等. 红外弱小目标检测方法综述[J]. 红外与激光工程, 2022, 51(4): 438-461. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ202204050.htm HAN J H, WEI Y T, PENG Z M, et al. Overview of infrared dim target detection methods[J]. Infrared and Laser Engineering, 2022, 51(4): 438-461. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ202204050.htm
[7] 夏杰锋, 唐武勤, 杨强. 光伏航拍红外图像的热斑自动检测方法[J]. 浙江大学学报(工学版), 2022, 56(8): 1640-1647. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC202208018.htm XIA J F, TANG W Q, YANG Q. Automatic detection method of hot spot in photovoltaic aerial infrared image[J]. Journal of Zhejiang University (Engineering Edition), 2022, 56(8): 1640-1647. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC202208018.htm
[8] 蒋琳, 苏建徽, 施永, 等. 基于红外热图像处理的光伏阵列热斑检测方法[J]. 太阳能学报, 2020, 41(8): 180-184. https://www.cnki.com.cn/Article/CJFDTOTAL-TYLX202201055.htm JIANG L, SU J H, SHI Y, et al. Thermal spot detection method of photovoltaic array based on infrared thermal image processing[J]. Journal of Solar Energy, 2020, 41(8): 180-184. https://www.cnki.com.cn/Article/CJFDTOTAL-TYLX202201055.htm
[9] NIE Junfei, LUO Ting, LI Hui. Automatic hotspots detection based on UAV infrared images for large-scale PV plant[J]. Electronics Letters, 2020, 56(19): 993-995. DOI: 10.1049/el.2020.1542
[10] CHEN Haiyong, ZHAO Huifang, HAN Da, et al. Accurate and robust crack detection using steerable evidence filtering in electroluminescence images of solar cells[J]. Optics and Lasers in Engineering, 2019, 118(7): 22-33.
[11] 钱晓亮, 张鹤庆, 张焕龙, 等. 基于视觉显著性的太阳能电池片表面缺陷检测[J]. 仪器仪表学报, 2017, 38(7): 1570-1578. https://www.cnki.com.cn/Article/CJFDTOTAL-YQXB201707002.htm QIAN X L, ZHANG H Q, ZHANG H L, et al. Visual saliency-based surface defect detection of solar cells[J]. Journal of Instrumentation, 2017, 38(7): 1570-1578. https://www.cnki.com.cn/Article/CJFDTOTAL-YQXB201707002.htm
[12] 王培珍, 郑诗程. 基于红外图像的太阳能光伏阵列故障分析[J]. 太阳能学报, 2010, 31(2): 197-202. https://www.cnki.com.cn/Article/CJFDTOTAL-TYLX201002013.htm WANG P Z, ZHENG S C. Fault analysis of solar photovoltaic arrays based on infrared images[J]. Journal of Solar Energy, 2010, 31(2): 197-202. https://www.cnki.com.cn/Article/CJFDTOTAL-TYLX201002013.htm
[13] 赵玲玲, 汪烨, 刘俊. 基于无人机与HSV空间的光伏电池板检测分析[J]. 红外技术, 2020, 42(10): 978-982. http://hwjs.nvir.cn/article/id/hwjs202010010 ZHAO Lingling, WANG Ye, LIU Jun. Analysis of PV panel inspection based on UAV and HSV space[J]. Infrared Technology, 2020, 42(10): 978-982. http://hwjs.nvir.cn/article/id/hwjs202010010
[14] 李茂月, 刘泽隆, 赵伟翔, 等. 面结构光在机检测的叶片反光抑制技术[J]. 中国光学, 2022, 15(3): 464-475. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGA202203007.htm LI M Y, LIU Z L, ZHAO W X, et al. Leaf reflection suppression technique for in-camera detection of surface structured light[J]. China Optics, 2022, 15(3): 464-475. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGA202203007.htm
[15] 姜斌, 石峰, 崔东旭, 等. 改进的K均值聚类红外目标检测方法[J]. 应用光学, 2012, 33(4): 766-769. https://www.cnki.com.cn/Article/CJFDTOTAL-YYGX201204025.htm JIANG B, SHI F, CUI D X, et al. Improved k-means clustering infrared target detection method[J]. Applied Optics, 2012, 33(4): 766-769. https://www.cnki.com.cn/Article/CJFDTOTAL-YYGX201204025.htm
[16] 王骏, 王士同, 邓赵红, 等. 面向小目标图像的快速核密度估计图像阈值分割算法[J]. 自动化学报, 2012, 38(10): 1679-1689. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO201210016.htm WANG J, WANG S T, DENG Z H, et al. Fast kernel density estimation image threshold segmentation algorithm for small target images[J]. Journal of Automation, 2012, 38(10): 1679-1689. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO201210016.htm
[17] Janssen Paul, Swanepoel Jan. Efficiency behaviour of kernel-smoothed kernel distribution function estimators[J]. South African Statistical Journal, 2020, 54(1): 15-23. DOI: 10.37920/sasj.2020.54.1.2
[18] HAN Bohyung, Comaniciu Dorin, ZHU Ying, et al. Sequential kernel density approximation and its application to real-time visual tracking[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2008, 30(7): 1186-97.
[19] HAN Ping, WANG Wenqing, SHI Qingyan, et al. A combined online-learning model with K-means clustering and GRU neural networks for trajectory prediction[J]. Ad Hoc Networks, 2021, 117(44): 102476.
[20] 廖纪勇, 吴晟, 刘爱莲. 基于相异性度量选取初始聚类中心改进的K-means聚类算法[J]. 控制与决策, 2021, 36(12): 3083-3090. https://www.cnki.com.cn/Article/CJFDTOTAL-KZYC202112028.htm LIAO J Y, WU S, LIU A L. Improved K-means clustering algorithm for selecting initial clustering centers based on the phase dissimilarity measure[J]. Control and Decision Making, 2021, 36(12): 3083-3090. https://www.cnki.com.cn/Article/CJFDTOTAL-KZYC202112028.htm
[21] 王惠琴, 侯文斌, 彭清斌, 等. 基于K均值聚类的SPPM分步分类检测算法[J]. 通信学报, 2022, 43(1): 161-171. https://www.cnki.com.cn/Article/CJFDTOTAL-TXXB202201015.htm WANG H Q, HOU W B, PENG Q B, et al. SPPM stepwise classification and detection algorithm based on K-mean clustering[J]. Journal of Communication, 2022, 43(1): 161-171. https://www.cnki.com.cn/Article/CJFDTOTAL-TXXB202201015.htm
[22] 徐黎明, 吕继东. 基于同态滤波和K均值聚类算法的杨梅图像分割[J]. 农业工程学报, 2015, 31(14): 202-208. https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU201514028.htm XU L M, LV J D. Bayberry image segmentation based on homomorphic filtering and K-means clustering algorithm[J]. Journal of Agricultural Engineering, 2015, 31(14): 202-208. https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU201514028.htm
[23] 欧阳周, 张怀亮, 唐子暘, 等. 复杂纹理瓷砖表面缺陷检测算法研究[J]. 西北工业大学学报, 2022, 40(2): 414-421. https://www.cnki.com.cn/Article/CJFDTOTAL-XBGD202202023.htm OUYANG Z, ZHANG H L, TANG Z Y, et al. Research on surface defect detection algorithm for complex textured tiles[J]. Journal of Northwestern Polytechnical University, 2022, 40(2): 414-421. https://www.cnki.com.cn/Article/CJFDTOTAL-XBGD202202023.htm
[24] 肖懿, 罗丹, 蒋沁知, 等. 基于温度概率密度的变电站高压设备故障热红外图像识别方法[J]. 高电压技术, 2022, 48(1): 307-318. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ202201030.htm XIAO Y, LUO D, JIANG Q Z, et al. Thermal infrared image identification method for high-voltage equipment faults in substations based on temperature probability density[J]. High Voltage Technology, 2022, 48(1): 307-318. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ202201030.htm
[25] 杨磊, 高德东, 孟广双, 等. 光伏组件故障诊断方法研究[J]. 机械设计与制造, 2021(12): 82-87. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYZ202112018.htm YANG L, GAO D D, MENG G S, et al. Research on fault diagnosis method of photovoltaic module[J]. Mechanical Design and Manufacturing, 2021(12): 82-87. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYZ202112018.htm
[26] Vega Diaz, Vlaminck Michiel, Lefkaditis Dionysios, et al. Solar panel detection within complex backgrounds using thermal images acquired by UAVs[J]. Sensors (Basel), 2020, 20(21): 6219.
[27] 李喆雨, 丁坤, 张经炜, 等. 基于选择增强的光伏阵列遮挡分割研究[J]. 激光与光电子学进展, 2021, 58(24): 201-209. https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ202124017.htm LI Z Y, DING K, ZHANG J W, et al. Selective enhancement-based shading segmentation of photovoltaic arrays[J]. Advances in Laser and Optoelectronics, 2021, 58(24): 201-209. https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ202124017.htm
-
期刊类型引用(2)
1. 黄坤琳，吴国周，徐维新，李利东，王海梅，李航，李自翔，司荆柯，刘洪宾，吴成娜. 呼伦贝尔东部农田区动态融雪过程及其影响因子. 干旱区研究. 2024(09): 1514-1526 . 
百度学术
2. 黄林，李晖，康璇. 基于Freeman全极化分解的干雪识别指数模型构建. 厦门理工学院学报. 2023(05): 40-48 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 83
- HTML全文浏览量: 13
- PDF下载量: 25
- 被引次数: 4
