Infrared and Visible Image Fusion Algorithm Based on the Decomposition of Robust Principal Component Analysis and Latent Low Rank Representation
-
摘要: 红外光和可见光图像的融合在视频监控、目标跟踪等方面发挥着越来越重要的作用。为了得到融合效果更好的图像,提出了一种新的基于鲁棒性低秩表示的图像分解与深度学习结合的方法。首先,利用鲁棒性主成分分析对训练集图像进行去噪处理,利用快速的潜在低秩表示学习提取突出特征的稀疏矩阵,并对源图像进行分解,重构形成低频图像和高频图像。然后,低频部分利用自适应加权策略进行融合,高频部分利用深度学习的VGG-19网络进行融合。最后,将新的低频图像与新的高频图像进行线性叠加,得到最后的结果。实验验证了本文提出的图像融合算法在主观评价与客观评价上均具有一定的优势。Abstract: The fusion of infrared and visible images plays an important role in video surveillance, target tracking, etc. To obtain better fusion results for images, this study proposes a novel method combining deep learning and image decomposition based on a robust low-rank representation. First, robust principal component analysis is used to denoise the training set images. Next, rapid latent low rank representation is used to learn a sparse matrix to extract salient features and decompose the source images into low-frequency and high-frequency images. The low-frequency components are then fused using an adaptive weighting strategy, and the high-frequency components are fused by a VGG-19 network. Finally, the new low-frequency image is superimposed with the new high-frequency image to obtain a fused image. Experimental results demonstrate that this method has advantages in terms of both the subjective and objective evaluation of image fusion.
-
Keywords:
- image fusion /
- deep learning /
- latent low rank representation /
- sparse matrix
-
0. 引言
绝缘气体泄漏将造成设备绝缘强度不足,是SF6气体绝缘设备最主要的缺陷之一[1-2],可通过SF6气体泄漏检测技术对这类缺陷进行精确定位和定性,为后续检修方案的制定提供重要的依据。SF6气体泄漏红外成像是近年来使用频繁且效果显著的气体泄漏检测技术[3-5],与真空法[6]、泡沫法[7]、定性检漏仪法[8-10]、包扎定量法[11]、氦质谱检漏法[12]、声学成像法[13]等泄漏检测技术有较明显的差异。SF6气体泄漏红外成像检测技术于2010年起在我国开始试用,至今10余年的推广应用期间,许多技术与管理人员总结了一些有效的经验,文献[4]对10座不同电压等级变电站气体绝缘全封闭组合电器(gas insulated switchgear,简称“GIS”)设备进行大范围SF6泄漏红外成像检测,发现泄漏缺陷52例,占比最大的为压力表连接阀、气路管道处缺陷。文献[7]通过比较了11种泄漏检测的技术,认为在使用红外成像法进行检测时,受成像检漏仪灵敏度限制和外界大风等环境影响,只能确定泄漏的大概区域,无法精确找到泄漏点。文献[14]结合红外成像技术的应用实践,总结了GIS设备中的砂眼、密封圈失效、绝缘盆子裂纹、密封胶处理不当、密度继电器连接头及连接铜管接头问题引起的泄漏缺陷。文献[15]提出了一种Matlab图像处理技术使SF6气体泄漏位置及范围突出显示。诸多已公开的文献资料,都聚焦在技术的应用统计和效果分析方面,对技术应用的具体策略、影响因素和对策等一线作业细节关注得较少,而对于一种高精密的测试技术,如何在现场检测时最大化地发挥其技术优势是非常重要的。
本文从成像原理、标准体系、技术比对及特点分析等方面对SF6气体泄漏红外成像检测进行探讨,以更加标准化、精细化、系统化地开展SF6气体泄漏红外成像检测,提高开关、互感器、套管、变压器等SF6气体绝缘设备缺陷巡检质量。
1. 气体泄漏红外成像原理
任何一种物质都具有特定的红外吸收特性,这与物质的分子相关,SF6气体对波长为10.6 μm的红外线具有明显的特征吸收,该红外线的波长介于“大气窗口”(长波8~14 μm)的范围内,在大气中穿透较好。高于绝对零度的物体在不停地辐射红外线,所辐射的红外线带有物体温度的特征信息,可通过红外辐射的强度探测物体温度的高低和温度场分布。
SF6气体泄漏红外成像就是利用了SF6气体的红外吸收特性和红外辐射描述温度的技术原理,具体见图 1。首先,红外光学镜头经特殊处理后,只利用波长为10.6 μm的红外线反映被测物体的温度;当光线传播至红外光学镜头的路径内存在SF6气体时,红外线中10.6 μm的部分将被SF6气体大量吸收,仪器探测到的红外辐射强度低,在红外图像上表现出温度“低”的特征,与周边温度“高”的部分形成“温差”,温差越大则SF6气体所覆盖的区域在图像上越凸显,随着气体在空气中的逸散,所成红外图像将呈现出不断变化的“烟云”状,即对泄漏至大气中的SF6气体完成图像描述。
2. 标准体系的建立和发展
开展SF6气体泄漏成像检测工作相关的标准体系主要包括仪器的产品类技术规范和实施现场工作的技术导则,如文献[16]对从事工作所用的仪器设备进行了全面的技术规范,适用于制造厂的设计、生产及用户的采购、验收和定期试验,文献[17]、[18]和[19]均属于方法类技术导则,虽然文献[17]相比文献[18]内容涉及面更广,但是由于制定时间晚,后者更切合实际情况。此外,随着技术的广泛应用,文献[19]在2018年修订时主要的内容就是新增SF6气体泄漏红外成像的相关章节。可见,SF6气体泄漏红外成像技术的标准体系随着技术的广泛应用也进行相应的更新和提升。因此,更需要从业人员对这种技术有更进一步的了解和掌握,从而更好地加以利用。
3. 气体泄漏红外成像特点分析
3.1 测试影响因素
根据本文第1章中的描述,SF6气体泄漏红外成像在原理上属于红外线热成像的一种,且需要利用温差描述SF6气体的存在,温差越大,对图像的判断越准确,从而使得SF6气体泄漏的检测效果越好,根据这一技术原理,总结了以下几项对检测工作影响较大的因素:
1)太阳光或灯光:太阳光或灯光中含有丰富的红外光线,当光线直射光学镜头时,即使光线传播路径内存在一定量的SF6气体,仍会有大量的红外线传播至光学镜头,这将导致图像上无明显的温度差异,不利于泄漏气体的成像;此外,光滑的设备表面可以反射光线,即使背对太阳光或灯光有时也不利于工作的开展,因此,有必要避免在强烈阳光或灯光条件下进行SF6气体泄漏红外成像检测。这一点与文献[17]中6.3“室外检测宜在晴朗天气下进行”有明显差异,而在文献[20]中4.3.1d)明确要求“在室外或白天检测时,要避免阳光直射或通过被测物反射进入仪器镜头;在室内或晚上检测时,要避开灯光直射,条件允许,应闭灯检测”。
2)测试背景:温差与成像质量有非常密闭的关系,在实际工作中,当确认某一区域存在泄漏时,可利用测试背景人为制造图像温差,放大温差可增强图像中的颜色对比度,具体可以分为冷背景和热背景。一般户外设备则最好以天空为冷背景(绝对零度,理论上为0 K),如图 2所示,在0.06 mL/min(0.001 μL/s)泄漏量下,以天空为背景图 2(a)与以墙作背景图 2(b)差异明显(蓝圈内的烟状图像),这主要是天空冷背景在图像上表现为极暗色,空间内任何带有温度的物质(逸散在大气中的SF6气体)都与绝对零度有近300 K的温差,在图像上将表现出明显的差异;在室内检测时,由于空间内各物体的温差不大,则可使用高温热背景,如图 3所示,在以室温作背景的图 3(a)中是观察不到0.06 mL/min的泄漏气体,而在图 3(b)中,由于使用了60℃的热背景,可清晰地成像(黄圈内的烟状)。
3)泄漏量:微量的气体逸散到大气中后,快速的扩散造成SF6气体浓度极小,使其所吸收的红外线与周围空气所吸收的红外线无明显的差异,在图像上体现不了明显的温差,这种情况可能会造成缺陷的漏判,此时,应协同采用其他灵敏度更高的泄漏检测技术。
4)风速:风速影响泄漏气体在空气中逸散速度,风速过大,扩散速度增大,图像中尚未出现明显温差,SF6气体就已全部逸散,成像效果不佳;然而空间内大气也不宜完全不流动,不流动的大气不能加速泄漏的气体流动以形成动态的烟雾状图像,不利于测试人员对图像的判断。
5)泄漏位置:室内布置的设备或220 kV及以下的GIS设备,由于相与相之间、间隔与间隔之间的距离较小,仪器无法探测到某些隐蔽部位,若这些隐蔽部位发生泄漏的可能性极大时,可使用镜面将红外光线反射[21]至红外光学镜头后成像,以避开工作现场的遮挡物,见图 4。
3.2 图像诊断
SF6气体绝缘设备的漏气缺陷大致可分为密封失效或材料砂眼,在具体的成像特征上也存在差异,如图 5(a)所示,泄漏的气体成像后呈现“扇形”或“连续”的喷射状,这种情况往往泄漏量较大、补气间隔也较短,更可能对应的是金属材料的砂眼或密封件严重失效,这类缺陷发生的次数较少,一般是由制造过程中的原因造成的;图 5(b)则呈现出“飘渺”或“间断”的烟雾状,更多对应的是轻微泄漏,这种情况的补气间隔则一般较长,实际工作中碰到的概率较大,一般是运行时设备密封件的轻微老化或变形导致的,对这类缺陷的检测往往需要极强的耐心和毅力。从以上分析看出,可从图像特征上对缺陷的类型进行定性分析,有利于后期对设备开展有针对性的检修工作。
3.3 其他技术方法对比
在SF6气体泄漏红外成像应用之前,用户普遍使用传统的定性或定量检漏仪(如卤素检漏仪、红外吸收检漏仪、光声光谱检漏仪等)对设备的泄漏缺陷进行定性、定量和定位,这些传统检测仪器大部分(以下简称传统仪器)利用了SF6气体的负电性和红外吸收特性,下面从技术原理和技术指标两方面对SF6气体泄漏红外成像检漏仪与传统仪器进行比较。
1)技术原理比较:在原理上有相似性,也存在一些差异,相同点主要表现在SF6气体泄漏红外成像检漏仪也利用了红外定量检漏仪的红外吸收特性;差异主要是传统仪器无论是利用了负电性还是红外吸收特性,最终都将其转化为电信号,并在结果的表现形式上或输出报警信号或输出具体量值;而SF6气体泄漏红外成像利用了气体的红外吸收特性和红外辐射描述温度的技术原理,最终通过红外图像上的温差描述气体在空间中的存在状态,这种可视化功能大大提高了现场漏点查找的效率和工作的成效。
2)应用场景比较:SF6气体泄漏红外成像检漏仪针对漏气量大、测试空间开阔、拍摄背景条件好(如背景为天空或空旷场地)等缺陷较易定位;传统仪器针对漏气量小、测试条件差(间隔空间狭小、湿度高,空气不流通的电缆层等)、漏点位置不便于观测(如在盆子内侧,视线有遮挡)等缺陷检测效果更佳。
3)技术指标比较:对于检漏仪在使用中需重点关注其微小泄漏检测能力(检测限)、结果响应时间和定位准确性,参数比较见表 1,从表 1可以看出,SF6气体泄漏红外成像仪在微小泄漏的检测能力和响应时间上几乎都与传统检测仪存在一定差距,而在定位准确性上优势明显。
表 1 SF6气体泄漏红外成像检漏仪与传统仪器的技术参数比较Table 1. Comparison of technical parameters of instrumentsSpecifications Detection limit/(mL/min) Response time/s Positioning accuracy Operation safety Infrared imaging <0.06 1-2 Excellent Remote non-contact operation, high safety Traditional technology <0.01 Real time response Excellent Insufficient insulation distance, unsafe 从以上原理、场景和参数的技术比较可以发现,SF6气体泄漏红外成像检漏仪短板在于轻微泄漏或检测条件受限时灵敏度不足,其优势在于结果的可视化、定位的准确性及检测的安全性,可视化的特点有助于直观快速地捕捉设备漏气情况,定位的准确性对后续的设备检修提供了指导性意见,检测的安全性对于非GIS设备的带电检测提供不受触电和气体中毒危险的保障。
4. 应用策略
SF6气体泄漏红外成像检漏仪的价格昂贵,目前市场报价约80~100万左右,属高端检测仪器,不具备大规模配置的条件。考虑到各地供电生产部门的配置情况与SF6气体泄漏红外成像检测的技术特点,应结合设备运行时的安全距离等具体情况,分类应用成像法和传统方法[22],应用策略详见图 6。从图 6中总结出,密度表的读数变化是SF6气体泄漏检测工作的发起点,其可靠性是后续所有检漏手段的基础,可采取时间跨度上的纵向比较,辅助相间的横向比较,以全面掌握密度表读数变化情况,成像法作为泄漏定位和可视化结果呈现的最终手段。此外,密度表读数的“微小降低”和“大幅降低”需要运行人员结合设备气室大小综合判断,建议以补气周期为基础,辅助气室大小综合来判断气体的泄漏量。在现场实际工作中,应掌握SF6气体泄漏红外成像检漏仪和传统仪器的特点,根据设备缺陷的实际情况,灵活采用有效的检漏技术。对于非安全区域或检测条件不佳的区域,宜选用SF6气体泄漏红外成像检漏仪开展检测,但由于红外成像检漏仪对轻微泄漏并不敏感,若未检出漏气也不可排除漏气的可能性,建议在条件允许的情况下结合传统仪器的手段加以验证。
5. 结论
SF6气体泄漏红外成像利用了SF6气体的红外吸收特性和红外辐射描述温度的技术原理,在特定的场景下具有明显的技术优势,但是技术人员也应该了解到其检测灵敏度和适用场景。
在开展SF6气体泄漏红外成像检测时,建议对以下几项工作加以重视:
1)加强密度表巡视和管理
密度表是设备泄漏监测的第一道防线,运行人员应密切注意密度表的读数变化,此外,还应注意密度表的定期校验,确保密度表能正确动作,防止由于密度表性能不佳影响设备安全运行。
2)实施分类应用策略
设备各级管理和运检人员应掌握各种检漏技术的特点,根据实际情况,以先定性后定量定位的原则,将红外成像检漏技术与传统检漏手段相结合,提高泄漏缺陷的定位效率。
3)完善检漏实测技术
根据测试过程中碰到的问题,采取可能的应对措施,提高泄漏成像检测效率和工作质量。完善泄漏案例的汇总和宣贯,熟悉成像的分析方法和检修方案的制定。
-
表 1 稀疏矩阵D的训练过程
Table 1 The training of sparse matrix D
Xtrain $\left[ {{\boldsymbol{U}_X}, {\text{diag}}\left\{ {{\sigma _{{x_i}}}} \right\}, {\boldsymbol{V}_X}} \right] = {\text{svd}}\left( {{\boldsymbol{X}_{{\text{train}}}}} \right)$
$d_i^ * = \min \left\{ {\frac{1}{{2\lambda \sigma _{{X_i}}^2}}, 1} \right\}$${\boldsymbol{D}^ * } = {\boldsymbol{U}_X}{\text{diag}}\left\{ {n_i^ * } \right\}\boldsymbol{U}_X^{\text{T}}$ 利用D*进行图像的分解 表 2 不同融合图像的客观评价结果
Table 2 Average objective evaluation results of different fusion image
Method DWT IFE_VIP CSR CBF Proposed FMI 0.9111 0.8863 0.9067 0.8869 0.9164 SCD 1.7413 1.6031 1.1080 1.4273 1.7991 MS_SSIM 0.8648 0.7977 0.6997 0.7217 0.9099 VIF 0.2482 0.2373 0.2110 0.2030 0.3267 Nabf 0.1497 0.1353 0.0529 0.2241 0.0193 表 3 不同融合方法的计算时间对比
Table 3 Computational time comparison of different fusion methods
Method DWT IFE_VIP CSR CBF Proposed Time/s 0.4822 0.1594 87.9350 13.9968 31.0937 -
[1] DENG Y, LI C, ZHANG Z, et al. Image fusion method for infrared and visible light images based on SWT and regional gradient[C]//2017 IEEE 3rd Information Technology and Mechatronics Engineering Conference (ITOEC), 2017: 976-979, doi: 10.1109/ITOEC.2017.8122499.
[2] BEN H A, Yun H, Hamid K, et al. A multiscale approach to pixel-level image fusion[J]. Integrated Computer Aided Engineering, 2005, 12(2): 135-146. DOI: 10.3233/ICA-2005-12201
[3] Goshtasby A A, Nikolov S. Image fusion: advances in the state of the art[J]. Information Fusion, 2007, 8(2): 114-118. DOI: 10.1016/j.inffus.2006.04.001
[4] LUO X Q, LI X Y, WANG P F, et al. Infrared and visible image fusion based on NSCT and stacked sparse autoencoders[J]. Multimedia Tools and Applications, 2018, 77(17): 22407-22431. DOI: 10.1007/s11042-018-5985-6
[5] MA J, MA Y, LI C. Infrared and visible image fusion methods and applications: a survey[J]. Information Fusion, 2019, 45: 153-178.
[6] YANG J, Wright J, HUANG T S, et al. Image super-resolution via sparse representation[C]//IEEE Transactions on Image Processing, 2010, 19(11): 2861-2873, Doi: 10.1109/TIP.2010.2050625.
[7] 王文卿, 高钰迪, 刘涵, 等. 基于低秩稀疏表示的红外与可见光图像序列融合方法[J]. 西安理工大学学报, 2019, 35(3): 8. https://www.cnki.com.cn/Article/CJFDTOTAL-XALD201903003.htm WANG W Q, GAO Y D, LIU H, et al. Fusion method of infrared and visible image sequences based on low rank sparse representation[J]. Journal of Xi'an University of technology, 2019, 35(3): 8. https://www.cnki.com.cn/Article/CJFDTOTAL-XALD201903003.htm
[8] 康家银, 陆武, 张文娟. 融合NSST和稀疏表示的PET和MRI图像融合[J]. 小型微型计算机系统, 2019(12): 2506-2511. DOI: 10.3969/j.issn.1000-1220.2019.12.006 KANG J Y, LU W, ZHANG W J. Pet and MRI image fusion based on NSST and sparse representation[J]. Minicomputer System, 2019(12): 2506-2511. DOI: 10.3969/j.issn.1000-1220.2019.12.006
[9] 王建, 吴锡生. 基于改进的稀疏表示和PCNN的图像融合算法研究[J]. 智能系统学报, 2019, 14(5): 7. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNXT201905011.htm WANG J, WU X S. Image fusion algorithm based on improved sparse representation and PCNN[J]. Journal of Intelligent Systems, 2019, 14(5): 7. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNXT201905011.htm
[10] LI H, WU X, Kittler J. MD LatLRR: A Novel Decomposition Method for Infrared and Visible Image Fusion[C]//IEEE Transactions on Image Processing, 2020, 29: 4733-4746. Doi: 10.1109/TIP.2020.2975984.
[11] YU L, XUN C, Ward R K, et al. Image fusion with convolutional sparse representation[J]. IEEE Signal Processing Letters, 2016(99): 1-1.
[12] Prabhakar K R, Srikar V S, Babu R V. Deep fuse: a deep unsupervised approach for exposure fusion with extreme exposure image pairs[C]// IEEE International Conference on Computer Vision, IEEE Computer Society, 2017: 4724-4732.
[13] LIU Y, CHEN X, CHENG J, et al. Infrared and visible image fusion with convolutional neural networks[J]. International Journal of Wavelets, Multiresolution and Information Processing, 2018, 16(3): S0219691318500182.
[14] WANG X Z, YIN J F, ZHANG K, et al. Infrared weak-small targets fusion based on latent low-rank representation and DWT[J]. IEEE Access, 2019, 7: 112681-112692. Doi: 10.1109/ACCESS.2019.2934523.
[15] LIU G, YAN S. Latent Low-rank representation for subspace segmentation and feature extraction[C]//International Conference on Computer Vision, 2011: 1615-1622. Doi: 10.1109/ICCV.2011.6126422.
[16] WANG Y M, Morariu V I, Davis L S. Unsupervised feature extraction inspired by latent low-rank representation[C]//IEEE Winter Conference on Applications of Computer Vision, 2015: 542-549. Doi: 10.1109/WACV.2015.78.
[17] Wright J, MA Y, Mairal J, et al. Sparse representation for computer vision and pattern recognition[J]. Proceedings of the IEEE, 2010, 98(6): 1031-1044. DOI: 10.1109/JPROC.2010.2044470
[18] ZHANG H, LIN Z, ZHANG C, et al. Robust latent low rank representation for subspace clustering[J]. Neurocomputing, 2014, 145(5): 369-373.
[19] 谢艳新. 基于LatLRR和PCNN的红外与可见光融合算法[J]. 液晶与显示, 2019, 34(4): 100-106. https://www.cnki.com.cn/Article/CJFDTOTAL-YJYS201904014.htm XIE Y X. Infrared and visible light fusion algorithm based on latLRR and PCNN[J]. Liquid Crystal and Display, 2019, 34(4): 100-106. https://www.cnki.com.cn/Article/CJFDTOTAL-YJYS201904014.htm
[20] LI H, WU X J, Kittler J. Infrared and visible image fusion using a deep learning framework[C]//24th International Conference on Pattern Recognition (ICPR), 2018: 2705-2710. Doi: 10.1109/ICPR.2018.8546006.
[21] WANG Z, Simoncelli E P, Bovik A C. Multiscale structural similarity for image quality[C]//The Thrity-Seventh Asilomar Conference on Signals, Systems & Computers, 2003, 2: 1398-140. Doi: 10.1109/ACSSC.2003.1292216.
[22] Aslantas V L, Bendes E. A new image quality metric for image fusion: The sum of the correlations of differences[J]. AEU - International Journal of Electronics and Communications, 2015, 69(12): 1890-1896. DOI: 10.1016/j.aeue.2015.09.004
[23] lantas V, Bendes E. A new image quality metric for image fusion: The sum of the correlations of differences[J]. AEUE - International Journal of Electronics and Communications, 2015, 69(12): 1890-1896. DOI: 10.1016/j.aeue.2015.09.004
[24] Haghighat M, Razian M A. Fast-FMI: Non-reference image fusion metric[C]//IEEE International Conference on Application of Information & Communication Technologies, 2014: 1-3.
[25] LIU Y, CHEN X, Ward R, et al. Image fusion with convolutional sparse representation[J]. IEEE Signal Processing Letters, 2016, 23(12): 1882-1886. Doi: 10.1109/LSP.2016.2618776.
[26] Kumar B K S. Image fusion based on pixel significance using cross bilateral filter[J]. Signal, Image and Video Processing, 2015, 9(5): 1193-1204. DOI: 10.1007/s11760-013-0556-9
[27] ZHANG Y, ZHANG L, BAI X, et al. Infrared and visual image fusion through infrared feature extraction and visual information preservation[J]. Infrared Physics & Technology, 2017, 83: 227-237.
-
期刊类型引用(9)
1. 卢泉,黄粒峰,胡梦竹. 基于改进直方图均衡的SF6泄漏区域增强算法. 红外技术. 2024(04): 437-442 . 本站查看
2. 满林林,孙毅,李淑梅. 基于激光成像检测的GIS开关站SF_6气体泄露检测方法. 电器工业. 2024(11): 23-26+41 . 百度学术
3. 张泽林,吴玲玲,陈靖,王谦,张博渊. 红外成像的重气泄漏实时定位方法. 西安工业大学学报. 2024(06): 754-763 . 百度学术
4. 宋晓燕,李强,张峰,韩菲,王超冉. 电力基坑多气体浓度检测系统的研究与设计. 微型电脑应用. 2024(12): 183-186 . 百度学术
5. 袁建华,陈广生,张天宇,黄淘,陈轩. 基于红外与可见光图像融合的GIS设备气体泄漏识别研究. 国外电子测量技术. 2024(12): 231-239 . 百度学术
6. 曹江涛,李泉成,班铭,刘继臻,姬晓飞. 基于红外光谱成像的危险气体泄漏检测技术综述. 科学技术与工程. 2023(19): 8050-8060 . 百度学术
7. 刘赫,赵天成,李嘉帅,杨代勇,袁小翠,许志浩. 基于三直方图均衡的SF_6红外图像对比度增强方法. 红外技术. 2023(10): 1118-1125 . 本站查看
8. 张红星,眭霄翔,王海军,刘中华,陈怀东,张海峰. 凝汽器管道壁面泄漏流场数值模拟研究. 真空. 2023(06): 15-21 . 百度学术
9. 李强,张峰,宋晓燕,韩菲,梁纲. 基于数值分析的电力基坑气体分布检测分析. 微型电脑应用. 2023(11): 91-94 . 百度学术
其他类型引用(5)