Identification of Pipeline Thermal Image Leakage Based on Deep Learning
-
摘要:
为了降低输液管道多泄漏点微小泄漏的检测难度，提高输液管道无损检测的检测精度与检测速度，通过搭建水循环管道泄漏实验系统，改变管道泄漏点尺寸、泄漏点数量及输送介质温度，应用红外热像仪实时采集红外图像，提出基于非线性平稳小波和双边滤波算法实现图像降噪；并结合红外检测技术和YOLO（You Only Look Once）v4模型实现输液管道单、多漏点的自动化智能检测。结果表明，与传统滤波算法相比，该降噪方法的峰值信噪比、结构相似性均有所提升；该模型能够快速且准确地检测管道单、多漏点，检测精度（mAP）分别达到了0.9822及0.98，准确率分别达到了98.3%及98.36%，单帧检测时间分别达到了0.3021 s及0.3096 s，实现了在复杂背景干扰下对单、多泄漏点的识别。通过与YOLO v3、Faster R-CNN和SSD 300这3种算法比较发现，YOLO v4算法对管道单一漏点及多泄漏点检测的准确率、mAP和检测时间均更佳，具有更高的检测准确性与检测效率。
Abstract:To reduce the difficulty of detecting tiny leakages at multiple leakage points in liquid pipelines, it is necessary to improve the detection accuracy and speed of the leakage points. Bilateral filtering based on nonlinear stationary wavelets is proposed to achieve image noise reduction by building a water circulation pipeline leakage experiment system, changing the sizes and number of the leakage points, changing the temperature of the conveying medium, and applying an infrared thermal imager to monitor the small leakage of the single and complex leakage points. Combined with infrared nondestructive testing technology and a YOLO v4 network model, this study realized the automatic intelligent detection of single and multiple leakage points of liquid pipelines. The results show that compared with the traditional filtering algorithm, the peak signal to noise ratio and structural similarity evaluation indexes of the noise reduction method are improved. The model can quickly and accurately detect and locate single and multiple leakage points of pipelines. The average detection accuracy (mAP) values of the single and multiple leakage points in complex environment reach 0.9822 and 0.98, respectively. Further, the accuracy rates reach 98.3% and 98.36%, and the single frame detection times reach 0.3021 s and 0.3096 s, respectively. This helps realize the identification of leakage points under complex background interference. In comparison with YOLO v3, Faster R-CNN, and SSD 300, the YOLO v4 algorithm has better accuracy, mAP, and t for the detection of single and multiple leakage points and has a higher detection accuracy and detection efficiency.
-
0. 引言
由两条金属线通过溅射的方式形成了一组窄缝，这组窄缝的距离小于入射光的波长，这就形成了亚波长金属光栅偏振器，它的体积属于纳米级别，但其偏振性能却非常好且容易集成，因此它被广泛应用于光通讯及液晶显示屏的制造中。其中双层金属纳米光栅偏振器属于纳米光栅偏振器件中的一种，由于其偏振效果更好得到人们的青睐。
纳米压印光刻技术在1995年首次由美国人提出[1]，是近20年才发展起来的新型的微细加工工艺，它是利用高分辨率的模板来复制加工微纳结构的一种新工艺，所以可以说这种技术首先建立在光刻技术上。第一个提出亚波长金属光栅具有检偏的偏振特性的是Hertz教授[2-3]，随后才相继出现了有关亚波长金属光栅相关理论及其制造方法。2005年，韩国LG电子研究院利用周期140 nm的硅基亚波长光栅作为压印模板制作了单层金属偏振光栅。2006年瑞士保罗谢尔研究所[4-5]在石英板上通过极紫外干涉光刻技术制备了周期为100 nm的亚波长光栅。随后几年，美国密歇根大学[6-7]开发一种可以连续制备周期为200 nm的亚波长结构的亚波长光栅，利用电子束在光栅上方沉积一层金属铝，经过测量其消光比为1000。这种压印技术在当时被认为是未来制备亚波长金属光栅的有效方法[8]。但是随着社会的快速发展，越来越多的曲面屏及可折叠屏成为了人们生活的主流[9-10]，这就让人不得不往柔性偏振器上思考。但是，目前对柔性纳米光栅偏振器的研究甚少。所以，通过对柔性纳米光栅偏振器在结构和制作工艺方面的研究，以制作出成本低、产出高的偏振器，这对柔性电子器件的工艺推进起到了很大的支撑作用。
基于以上分析，本文在严格耦合波理论[11]的基础上以复眼结构中的偏振敏感单元为模仿对象，利用微加工工艺制备了一种可用于仿生的偏振光光电传感器的偏振器。该偏振器是以柔性材料PC（Polycarbonate）作为基底利用纳米压印和磁控溅射技术制作而成的柔性双层金属光栅偏振器，并对制作的偏振器利用光谱测试系统进行偏振特性测试。
1. 实验
图 1为PC上制作的偏振器的模型图，将入射光中垂直和平行与于电场方向的光分别称为TM偏振光和TE偏振光。当TM偏振光照射在偏振器上时，由于电子振荡通过栅线方向时会受到阻碍，此时的光栅层就如同介质层可使TM光透过。电子会在TE光入射时以自由振荡的形式出现，导致TE光反射。
1.1 模板介绍
模板对于纳米压印相当重要，因此选择上海纳腾公司提供的模板，模板的周期是278 nm，线宽是139 nm，高度100 nm，模板的扫描电子显微镜图如图 2所示。模板防粘使用了来自Sigma-Aldrich公司的Trichloro (1H，1H，2H，2H-heptadecafluorodecyl) silane[12-13]。这种硅烷可以很好地与Si或SiO2表面的OH键结合形成含有C-F功能基单分子层，这种分子层在衬底表面表现出了很好的抗粘性能。做过表面处理的Si模版接触角从30°增大为110°，如图 3所示，表现出较好的疏水性能，将有利于压印时脱模。
![]()
图 2 模板的SEM图Figure 2. Scanning electron microscope (SEM) image of nanoimprint template1.2 双层金属纳米光栅偏振片的制作
在介质光栅的顶端和底端都沉积一层金属层的光栅称之为双层金属光栅。包含双层金属光栅的偏振器的制作只需在光栅上镀一次铝膜，比单层或包裹型金属光栅不仅降低了制作工艺难度，而且偏振和滤波效果更佳。①选择铝作为偏振器的金属层，是因为铝可以实现可见光波段的最优偏振特性；②0.5的占空比在同一波段具有最大的透射率和最大的消光比，由于透射率与金属的厚度成正比关系，但是，随着金属高度的增加，偏振器的消光比呈指数倍增大。但是，金属线栅高度的增加又会增大加工难度。因此，综合考虑，溅射金属铝的厚度为70 nm；③偏振器的消光比会因为金属光栅层之间距离的逐渐增大呈周期性震荡，根据文献[14]中的仿真本文选择金属光栅层的距离是50 nm；④光栅的周期和PC光栅高度是由模板决定的，目前的模板参数是周期278 nm，高度为100 nm[14]。
使用纳米压印的热压过程在柔性材料PC（聚碳酸酯）上压印纳米光栅。纳米压印技术最早由周郁教授提出的，它的优点在于可完成纳米结构的制作[15-16]。将模板与含有压印胶的基底紧密结合，等压印结束后小心地将模板和基底分开，这样就会在基底上形成模板上的图案。图 4所示为压印，脱模，和铝沉积的双层金属线栅偏振器的制造过程的示意图。本文使用的PC基底材料的厚度为0.2 mm。PC具备非常优异的性能，包括高透光率、高折射率、高抗冲性、尺寸稳定性及易加工成型等，因此PC被广泛应用于光学器件的制备中。另外，其热稳定性好，成型温度范围宽，是作为压印基底的一种理想材料。所使用的纳米压印仪（型号为NIL-150）是从中国上海纳腾仪器有限公司引进的最新微纳结构加工设备。
![]()
图 4 柔性双层金属光栅偏振器的制作工艺流程图Figure 4. Manufacturing process flow chart of flexible double layer metal grating polarizer实验前需要将去掉保护膜的PC基底材料裁剪为20 mm×20 mm的正方形备用。但是剪切下来的PC片表面并不是很平整，会使其在压印过程中不能和模板完全接触，这就会影响应力的分布在加压和保压的过程中不能使结构完全地转移到基底上。为了解决这个问题，如图 5所示在压印的过程中在PC基底下面又增加了一片1 mm厚的聚二甲基硅氧烷（Polydimethylsiloxane：PDMS）柔性薄膜，因为PDMS具有很好的柔韧性和高温稳定性，在高温施压的过程中可以很好地分散加载在硬质模板上的应力，同时对模板起到一个保护作用。
压印参数为：真空度为0.07 MPa，压力为0.65 MPa，压印温度为160℃，压印时间设定为5 min。等压印时间一到立马开启冷却水进行腔室的降温，直到操作面板上的温度显示40℃时关闭压力阀往里面充氮气，待室门自动开启后用镊子取出样品然后小心地将两者分开，就可得到光栅结构，实物图和SEM图如图 6所示。
最后，利用真空度为7×10－6 Mbar的磁控溅射在光栅结构上表面溅射一层厚度为70 nm的Al，加工参数如表 1所示。
表 1 柔性双层金属光栅偏振器的参数Table 1. Parameters of subwavelength metal grating polarizerMaterials and structures Materials and parameters Substrate materials PC Metallic materials Al Period/nm 278 Duty cycle 0.5 Aluminum thickness/nm 70 Distance between two metal grating layers/nm 50 PC grating height/nm 100 2. 结果和讨论
偏振器的性能由透过率和消光比决定，因此利用搭建的光谱测试系统对制造的金属光栅偏振器进行了透过率和消光比的测量[17]，光谱测试系统如图 7所示。
利用氙气灯发出的白光作为检测光源，经透镜聚光后再经过小孔光阑后作为点光源，非线偏光透过偏振片后形成线偏光。透过的偏振光直接垂直照射在光栅上，光栅后面放置爱万提斯光纤光谱仪，利用光纤探头测试透射光光谱。旋转偏振片的相应位置分别得到TE和TM偏振光的最大与最小透射强度。然后利用公式：
$$ {\rm{ER}}={T_{{\rm{TM}}}}/{T_{{\rm{TE}}}} $$ 计算得到消光比，式中TTM、TTE分别表示TM和TE偏振光的透射率。
应用严格耦合波理论对制造的柔性双层金属光栅偏振器进行了TM透射率及消光比的计算，由于一般只有TM偏振光才能透过偏振器，而且计算消光比也已用到TE偏振光的信息，所以文中不单独对TE偏振光进行分析。如图 8所示为本文制造的柔性双层金属光栅偏振器的性能测试图，从图上可以看出本文制造的偏振器在入射光波长范围为350~800 nm时的透过率可达48%，消光比可达100000，具有非常好的偏振效果，达到了用于偏振导航的需求。
![]()
图 8 柔性双层金属光栅偏振器的性能测试图Figure 8. Performance test chart of flexible double layer metal grating polarizer3. 结论
利用纳米压印技术和磁控溅射在柔性材料上通过简单的方法制作出了柔性双层金属光栅偏振器，并进行了透过率和消光比的测试。实验结果显示，当入射光的波长在350~800 nm之间，加工的偏振器性能优良，透过率和消光比分别高达48%和100000，具有较好的偏振效果，达到了用于偏振导航的要求。制作的柔性双层金属光栅偏振器只涉及纳米压印和磁控溅射两个工艺，并且不包括任何抗蚀剂旋涂、剥离和刻蚀工艺，制作过程是非常简单的，适合大批量生产。本文制造的柔性双层金属光栅偏振器有望应用到光学系统中，特别是在液晶显示器领域。
-
![]()
图 1 基于非线性平稳小波和双边滤波的降噪过程
Figure 1. Noise reduction process based on nonlinear stationary wavelets and bilateral filtering
![]()
图 2 基于YOLO v4的管道泄漏检测原理图
Figure 2. Schematic of pipeline leakage detection based on YOLO v4
![]()
图 3 水循环管道泄漏实验系统实物图
Figure 3. Photo of water circulation pipe leakage experiment system
![]()
图 4 水循环管道泄漏实验系统示意图
Figure 4. Schematic diagram of water circulation pipe leakage experiment system
![]()
图 8 不同泄漏工况下单一漏点管段红外图像
Figure 8. Infrared image of a single leakage point pipe section under different leakage conditions
![]()
图 9 不同泄漏工况下多泄漏点管段红外图像
Figure 9. Infrared image of multiple leakage points pipe section under different leakage conditions
![]()
图 10 降噪前后管道泄漏部分示例图
Figure 10. Example diagram of pipeline leakage before and after noise reduction
![]()
图 12 多泄漏点不同算法P-R曲线图
Figure 12. P-R plot of different algorithms for multiple leakage points
表 2 管道单一漏点图像不同算法评价指标结果
Table 2 Different algorithms evaluate the index results of the pipeline single leakage point images
Algorithms 40℃ image 50℃ image 60℃ image PSNR/dB SSIM PSNR/dB SSIM PSNR/dB SSIM Mean filtering 33.1973 0.6361 32.0505 0.7035 31.8188 0.7090 Median filtering 31.7137 0.4941 31.8480 0.6074 31.8348 0.6098 Nonlinear smooth wavelet 30.6688 0.5267 30.1091 0.5329 30.0417 0.5449 Bilateral filtering 34.4566 0.7285 33.5595 0.8230 33.4039 0.8399 Nonlinear smooth wavelet + Bilateral filtering 36.9294 0.8747 34.6604 0.8631 33.9055 0.8647 
下载: 导出CSV
表 3 管道多泄漏图像不同算法评价指标结果
Table 3 Different algorithms evaluate the index results of the pipeline multi-leakage images
Algorithms 40℃ image 50℃ image 60℃ image PSNR/dB SSIM PSNR/dB SSIM PSNR/dB SSIM Mean filtering 32.6347 0.7257 32.5378 0.7233 31.7827 0.7395 Median filtering 31.724 0.6547 31.7715 0.6338 31.6588 0.6362 Nonlinear smooth wavelet 30.3137 0.5603 30.2969 0.5515 29.9108 0.5786 Bilateral filtering 32.5065 0.8041 32.5169 0.8047 32.4259 0.8335 Nonlinear smooth wavelet + Bilateral filtering 36.6188 0.8883 36.5284 0.8921 34.5147 0.8900
下载: 导出CSV
表 4 四种算法对管道单一漏点的性能测试结果
Table 4 Performance test results of four algorithms on single leak points of pipelines
Model Train time/s mAP Precision/% Detection time/(s/f) YOLO v4 2764.5149 0.9822 98.3 0.3021 YOLO v3 4372.9816 0.9700 98.2 0.3681 SSD 300 2778.0019 0.9800 96.6 0.8946 Faster
R-CNN40383.878 0.8000 69.1 1.7956
下载: 导出CSV
表 5 四种算法对管道多泄漏点的性能测试结果
Table 5 Performance test results of four algorithms on multiple leak points of pipelines
Model Train time/s mAP Precision/% Detection time/(s/f) YOLO v4 2074.8823 0.98 98.36 0.3096 YOLO v3 3460.6947 0.97 92.80 0.4733 SSD 300 1642.4262 0.91 98.30 0.9182 Faster
R-CNN23405.0819 0.88 54.80 1.8671
下载: 导出CSV
-
[1] Adegbove M A, Fung W K, Karnik A. Recent advances in pipeline monitoring and oil leakage detection technologies: principles and approaches[J]. Sensors, 2019, 19(11): 2548. DOI: 10.3390/s19112548
[2] ZHOU S J, LIU C, ZHAO Y E, et al. Leakage diagnosis of heating pipe-network based on BP neural network[J]. Sustainable Energy, Grids and Networks, 2022, 32: 100869. DOI: 10.1016/j.segan.2022.100869
[3] 孙宗康, 饶睦敏, 曹裕灵, 等. 基于小样本不均衡数据的供水管道泄漏智能检测算法[J]. 图学学报, 2022, 43(5): 825-831. https://www.cnki.com.cn/Article/CJFDTOTAL-GCTX202205008.htm SUN Z K, RAO M M, CAO Y L, et al. Water supply pipeline leakage intelligent detection algorithm based on small and unbalanced data [J]. Journal of Graphics, 2022, 43(5): 825-831. https://www.cnki.com.cn/Article/CJFDTOTAL-GCTX202205008.htm
[4] 石光辉, 齐卫雪, 陈鹏, 等. 负压波与小波分析定位供热管道泄漏[J]. 振动与冲击, 2021, 40(14): 212-218. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCJ202114028.htm SHI G H, QI W X, CHEN P, et al. Negative pressure wave and wavelet analysis to locate the heating pipeline leakage[J]. Journal of Vibration and Impact, 2021, 40(14): 212-218. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCJ202114028.htm
[5] 薛田甜, 刘永莉, 陈智, 等. 基于分布式光纤测温技术的管廊管道泄漏检测设计[J]. 中国科技论文, 2023, 18(8): 867-874, 889. DOI: 10.3969/j.issn.2095-2783.2023.08.008 XUE T T, LIU Y L, CHEN Z, et al. Design of pipeline leakage detection based on distributed temperature sensing technology[J]. China Science Paper, 2023, 18(8): 867-874, 889. DOI: 10.3969/j.issn.2095-2783.2023.08.008
[6] 高琳, 曹建国. 基于输气管道泄漏声发射信号特征的小波基构造研究[J]. 振动与冲击, 2023, 42(10): 128-135. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCJ202310016.htm GAO L, CAO J G. Research on wavelet basis construction based on the characteristics of acoustic emission signals in gas pipe leakage [J]. Journal of Vibration and Impact, 2023, 42(10): 128-135. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCJ202310016.htm
[7] 徐志远, 肖奇. 基于脉冲远场涡流的管道缺陷外检测与定量评估[J]. 电子测量与仪器学报, 2019, 33(2): 80-87. https://www.cnki.com.cn/Article/CJFDTOTAL-DZIY201902011.htm XU Z Y, XIAO Q. Outside inspection and quantitative evaluation of pipe defects based on pulsed remote field eddy currents[J]. Journal of Electronic Measurement and Instrumentation, 2019, 33(2): 80-87. https://www.cnki.com.cn/Article/CJFDTOTAL-DZIY201902011.htm
[8] 李甲振, 余弘婧, 郭新蕾, 等. 管道系统泄漏的可控低强度瞬变流检测法[J]. 应用基础与工程科学学报, 2022, 30(4): 873-882. https://www.cnki.com.cn/Article/CJFDTOTAL-YJGX202204007.htm LI J Z, YU H J, GUO X L, et al. Leak detection in pipe using controllable and low-pressure transient analysis method[J]. Journal of Basic Science and Engineering, 2022, 30(4): 873-882. https://www.cnki.com.cn/Article/CJFDTOTAL-YJGX202204007.htm
[9] Fahimipirehgalin M, Trunzer E, Odenweller M, et al. Automatic visual leakage detection and localization from pipelines in chemical process plants using machine vision techniques[J]. Engineering, 2021, 7(6): 758-776. DOI: 10.1016/j.eng.2020.08.026
[10] 张丽珍, 徐长航, 陈国明. 基于红外成像技术的高温管道泄漏检测研究[C]//第二届CCPS中国过程安全会议, 2014: 389-394. ZHANG L Z, XU C H, CHEN G M. The detection of high-temperature pipe leakage by infrared thermography[C]//Proceedings of the 2nd CCPS China Process Safety Conference, 2014: 389-394.
[11] 张艳博, 任瑞峰, 梁鹏, 等. 基于热成像的埋地热力管道缺陷检测试验研究[J]. 仪器仪表学报, 2020, 41(6): 161-170. https://www.cnki.com.cn/Article/CJFDTOTAL-YQXB202006019.htm ZHANG Y B, REN R F, LIANG P, et al. Experimental study on flaw detection of buried heat pipeline based by infrared thermal[J]. Chinese Journal of Scientific Instrument, 2020, 41(6): 161-170. https://www.cnki.com.cn/Article/CJFDTOTAL-YQXB202006019.htm
[12] Yahia M, Gawai R, Ali T, et al. Non-destructive water leak detection using multitemporal infrared thermography[J]. IEEE Access, 2021, 9: 72556-72567. DOI: 10.1109/ACCESS.2021.3078415
[13] XIE J, ZHANG Y, HE Z, et al. Automated leakage detection method of pipeline networks under complicated backgrounds by combining infrared thermography and Faster R-CNN technique[J]. Process Safety and Environmental Protection, 2023, 174: 39-52. DOI: 10.1016/j.psep.2023.04.006
[14] ZHOU R L, WEN Z P, SU H Z. Detect submerged piping in river embankment by passive infrared thermography[J]. Measurement, 2022, 202: 111873. DOI: 10.1016/j.measurement.2022.111873
[15] 翟潘, 王平. 自适应维纳滤波在钢水红外图像去噪中的应用[J]. 红外技术, 2021, 43(7): 665-669. http://hwjs.nvir.cn/cn/article/id/0a8e3190-fcd2-405b-9b8f-0cd65fb70cd5 ZHAI P, WANG P. Application of the adaptive wiener filter in infrared image denoising for molten steel [J]. Infrared Technology, 2021, 43(7): 665-669. http://hwjs.nvir.cn/cn/article/id/0a8e3190-fcd2-405b-9b8f-0cd65fb70cd5
[16] 郭晨龙, 赵旭阳, 郑海燕, 等. 一种基于改进非局部均值滤波算法的红外图像去噪[J]. 红外技术, 2018, 40(7): 638-641. http://hwjs.nvir.cn/cn/article/id/hwjs201807003 GUO C L, ZHAO X Y, ZHENG H Y, et al. Infrared image denoising method based on improved non-local means filter[J]. Infrared Technology, 2018, 40(7): 638-641. http://hwjs.nvir.cn/cn/article/id/hwjs201807003
[17] ZHAO X H, LI M X, NIE T, et al. An innovative approach for removing stripe noise in infrared images[J]. Sensors, 2023, 23: 6786. DOI: 10.3390/s23156786
[18] ZHANG X, SANIIE J, BAKHTIARI S, et al. Unsupervised learning for detection of defects in pulsed infrared thermography of metals[C]// IEEE International Conference on Electro Information Technology (EIT), 2022: 330-334.
[19] ZHANG X, SANIIE J, BAKHTIARI S, et al. Compression of pulsed infrared thermography data with unsupervised learning for nondestructive evaluation of additively manufactured metals[J]. IEEE Access, 2022, 10: 9094-9107. DOI: 10.1109/ACCESS.2022.3141654
[20] WANG H, HOU Y, HE Y, et al. A physical-constrained decomposition method of infrared thermography: pseudo restored heat flux approach based on ensemble bayesian variance tensor fraction[J]. IEEE Transactions on Industrial Informatics, 2023, 20(3): 3413-3424.
[21] Kumar A, Tomar H, Mehla Kumar V, et al, Stationary wavelet transform based ECG signal denoising method[J]. ISA Transactions, 2021, 114: 251-262. https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX202403024.htm [22] Kumar S, Alam K, Chauhan A. Fractional derivative based nonlinear diffusion model for image denoising[J]. SeMA Journal, 2022, 79: 355-364. DOI: 10.1007/s40324-021-00255-0
[23] 王玉灵. 基于双边滤波的图像处理算法研究[D]. 西安: 西安电子科技大学, 2010. WANG Y L. Study of algorithm in image processing based on the bilateral filter[D]. Xi'an: XiDian University, 2010.
[24] Bochkovskiy A, WANG C Y, LIAO H Y M. Yolov4: Optimal speed and accuracy of object detection[C]//IEEE Conference Computer Vision and Pattern Recognition, 2020: 10934-10951.
[25] 中华人民共和国住房和城乡建设部. 建筑给水排水设计标准GB50015-2019[S]. 北京: 中国计划出版社, 2019. Ministry of Housing and Urban-Rural Development of the People's Republic of China. Standard for design of building water supply and drainage[S]. Beijing: China Planning Press, 2019.
[26] LIU R C, LI Y F, WANG H D, et al. A noisy multi-objective optimization algorithm based on mean and Wiener filters[J]. Knowledge-Based Systems, 2021, 228: 107215. DOI: 10.1016/j.knosys.2021.107215
[27] Verma, K, Singh K B, Thoke A. S. An enhancement in adaptive median filter for edge preservation[J]. Procedia Computer Science, 2015, 48: 29-36. DOI: 10.1016/j.procs.2015.04.106
[28] 魏明强, 冯一箪, 王伟明, 等. 基于区间梯度的联合双边滤波图像纹理去除方法[J]. 计算机科学, 2018, 45(3): 31-36. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA201803005.htm WEI M Q, FENG Y D, WANG W M, et al. Interval gradient based joint bilateral filtering for image texture removal[J]. Computer Science, 2018, 45(3): 31-36. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA201803005.htm
[29] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149. DOI: 10.1109/TPAMI.2016.2577031
[30] LIU W, Anguelov D, Erhan D, et al. SSD: single shot multi-box detector[C]//Proceedings of the IEEE European Conference on Computer Vision, 2016: 21-37.
[31] Redmon J, Farhad A. Yolov3: an incremental improvement[C]// Computer Vision and Pattern Recognition, 2018: 1068-1076.
-
期刊类型引用(2)
1. 汪会达，张栋，肖焰辉，张潇云，刘宇，陈德明. 改进SSD算法的光伏板污损检测. 上海电机学院学报. 2025(01): 52-57 . 
百度学术
2. 李春亚，王建华，尹土兵，卢建飞，邹晓波，叶儒桦. 个人防护装备穿戴安全检测技术的进展与应用. 武汉理工大学学报. 2024(10): 149-155+162 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 109
- HTML全文浏览量: 25
- PDF下载量: 29
- 被引次数: 4
