基于多源图像融合的光伏面板缺陷检测

闫号, 戴佳佳, 龚小溪, 吴宇祥, 汪俊

闫号, 戴佳佳, 龚小溪, 吴宇祥, 汪俊. 基于多源图像融合的光伏面板缺陷检测[J]. 红外技术, 2023, 45(5): 488-497.
引用本文: 闫号, 戴佳佳, 龚小溪, 吴宇祥, 汪俊. 基于多源图像融合的光伏面板缺陷检测[J]. 红外技术, 2023, 45(5): 488-497.
YAN Hao, DAI Jiajia, GONG Xiaoxi, WU Yuxiang, WANG Jun. Defect Detection of Photovoltaic Panel Based on Multisource Image Fusion[J]. Infrared Technology , 2023, 45(5): 488-497.
Citation: YAN Hao, DAI Jiajia, GONG Xiaoxi, WU Yuxiang, WANG Jun. Defect Detection of Photovoltaic Panel Based on Multisource Image Fusion[J]. Infrared Technology , 2023, 45(5): 488-497.

基于多源图像融合的光伏面板缺陷检测

详细信息
    作者简介:

    闫号(1998-),男,硕士研究生,研究方向为图像处理、数字化设计与制造。E-mail:864650996@qq.com

    通讯作者:

    汪俊(1989-),男,博士,教授,研究方向为数字化检测技术、深度学习。E-mail:wjun@nuaa.edu.cn

  • 中图分类号: TP181

Defect Detection of Photovoltaic Panel Based on Multisource Image Fusion

  • 摘要: 传统光伏面板缺陷检测任务以人工目视方法为主,存在效率低、精度差、成本高等问题。提出基于深度学习的融合光伏面板可见光图像与红外图像的缺陷检测网络,即多源图像融合网络(Multi-source Fusion Network, MF-Net),实现光伏面板的缺陷检测。MF-Net以YOLOv3 tiny为主干结构,并针对光伏面板缺陷特征进行网络结构改进。其中包括:在特征提取模块中增加网络深度并融入密集块结构,使得MF-Net能够融合更多高层语义信息的同时增强特征的选择;将双尺度检测增加为三尺度检测,以提高网络对不同尺寸缺陷的适用度。此外,提出自适应融合模块,使特征图融合过程中可以根据像素邻域信息自适应分配融合系数。实验结果表明,相比基于YOLOv3 tiny的融合网络,改进后的融合检测网络mAP提高7.41%;自适应融合模块使mAP进一步提升2.14%,且自适应融合模块能够有效提高特征的显著性;在与单一图像(仅有可见光图像或红外图像)的检测网络及其他融合图像检测网络的对比实验中,所提出的网络F1 score最高(F1=0.86)。
    Abstract: This study proposed a multisource fusion network (MF-Net) that combines visible and infrared images for the inspection of a photovoltaic panel to achieve photovoltaic panel defect detection, defect classification, and localization. The limitations of the traditional methods include low efficiency, low accuracy, and high cost. In this study, a defect detection network was designed based on the backbone of YOLOv3-tiny. Deep layers are added to the network, constituting a dense block structure to augment semantic information on fused feature maps. The detection scale of the network was extended to improve its applicability at different scales. In addition, an adaptive weight fusion strategy was proposed to achieve feature map fusion, where the fusion coefficients can be allocated according to the pixel neighborhood information. Compared with the backbone, the results show that the mAP of our network improved by 7.41%. The performance improves (by approximately 2.14% mAP) when the weighted fusion strategy is replaced with ours, and the significance of the features can be effectively improved. Relative to other networks, the proposed network that takes the fused images as the input has the highest performance in terms of the F1 score (F1=0.86).
  • 红外探测器一般分为两种:一种是在低温致冷系统协助下才能够正常工作的,它成本高、功耗大、寿命短;另一种是非制冷热红外探测器,它在成本、功耗、寿命、谱宽波段等方面更具有优势[1-2]。非制冷红外成像使用的核心部件是微测辐射热计,微测辐射热计的性能是由热敏材料的电阻温度系数等因素决定的。制备在室温附近具有高电阻温度系数即TCR(temperature coefficient of resistance),低方块电阻,并且没有相变弛豫的热敏薄膜是非制冷红外成像技术关键所在。目前有关这类热敏薄膜材料的研究报道有很多,VO2薄膜就是最常见的一种。

    VO2薄膜是一种具有相变特性的功能薄膜,未掺杂的VO2薄膜在64℃具有从低温单斜相向高温四方相发生相变的行为[3]。这种奇特的相变行为很快引起了国内外众多科研人员的关注。从20世纪80年代开始到现在,有关VO2薄膜制备的报道有很多[4-11],其主要思路是将V2O5还原降价得到VO2。Wu J.[12]等人采用有机溶胶-凝胶法,将原料为摩尔比1:80:8的V2O5、C4H10O和C7H8O的混合溶液配制成溶胶,在云母片上旋涂后,再经过540℃的高温退火,制备出二氧化钒薄膜。易静[13]等利用水热法,将研磨好的V2O5和无水亚硫酸钠粉末,混合后放入烧杯内,加入蒸馏水、调节pH值和升温速率进行反应。24 h后,再将充分反应后的样品溶解于氢氧化钠溶液,进行过滤、洗涤烘干,最终制备出纯度为85.4%二氧化钒薄膜。唐振方[14]等利用射频磁控溅射设备对V2O5陶瓷烧结靶材进行溅射沉积镀膜,再经氩气气氛退火处理得到纯度94%的VO2薄膜。李金华[15]等采用离子束增强沉积的方法,将纯度为99.7%的V2O5粉末压成溅射靶。在使用氩离子束溅射沉积薄膜的同时,用氩氢混合束对沉积膜作高剂量离子注入,使沉积膜中V2O5的V-O键断裂,利用氢的还原性将+5价的钒还原为+4价,退火后获得室温热电阻温度系数约4%的VO2薄膜。由于未掺杂的VO2薄膜的相变温度高于室温,且存在相变驰豫,不能直接用作室温热敏薄膜。通过掺杂其他元素改变VO2的相变温度和相变驰豫温度的报道也有很多[16-17]。付学成[18]等将Ta2O5与V2O5粉末均匀混合压制成溅射靶,用离子束增强沉积的方法,在二氧化硅衬底上制备出掺Ta原子比为3%的二氧化钒薄膜,测得相变温度约48℃,相变驰豫温度约为1.5℃。谭源[19]等利用氮氧混合气体对钨钒金属靶进行共溅射的方法制备金属氧化物薄膜,并在常压下进行退火处理,结果表明掺钨原子比为1.4%的VO2薄膜的相变温度下降到31℃,相变驰豫温度约为2.5℃。关于能否利用具有还原性金属单质和V2O5进行共溅射,将V2O5还原制备出VO2的同时,实现掺杂改变相变温度和相变驰豫温度,国内外相关文献鲜有报道。

    我们尝试在真空度高于1×10-4 Pa的条件下,通入高纯氩气,用共溅射的方法,对高纯金属镁靶和V2O5陶瓷靶进行溅射。利用Mg的还原性将+5价的钒降低为+4价制备VO2薄膜。通过调节加在两个靶材的功率,来调节薄膜中Mg和V的原子比。研究发现,当Mg和V的原子比为7:93时,XRD(X-ray diffraction)测试结果显示制备的薄膜晶粒主要成分是VO2,XPS(X-ray photoelectron spectroscopy)测试结果表明薄膜中的V以+4,+5价混合存在。当Mg和V的原子比为1:2时,XRD测试结果显示制备的薄膜晶粒主要成分变成了MgV2O5,同时XPS测试结果表明薄膜中的V仅以+4价存在。扫描电子显微镜照片显示,MgV2O5薄膜结晶状况良好。用霍尔效应仪测试MgV2O5薄膜电阻随温度的变化,结果显示:在20℃附近也有相变行为,电阻温度系数高达-8.6%/K,回线弛豫温度仅有0.3℃。我们分析了MgV2O5薄膜的特殊结构,并用相关的相变理论解释了薄膜在室温附近具有高TCR,较小的弛豫温度的原因。

    实验采用美国丹顿真空explore-14多靶磁控溅射沉积系统制备薄膜,如图 1所示。

    图  1  丹顿explore-14磁控溅射沉积系统示意图
    Figure  1.  Schematic diagram of dent on vacuum sputter deposition system

    五氧化钒靶安装在射频靶枪,高纯镁靶在直流靶枪。靶材中心距离基片台中心距离约15 cm,靶与基片台倾斜夹角约45°。溅射气源采用纯度为99.999%氩气,设备的极限真空为2×10-5 Pa。基片台为水冷控温,温度为22℃,旋转速度0~12转/min,转速可调。

    衬底选用清洗干净的3 in P型(100)单面抛光的单晶硅片,薄膜厚度测试选用KLA-TencorP7台阶仪,电阻温度系数测试选用MMR霍尔效应仪,薄膜成分检测选用德国Bruker公司ADVANCE Da Vinci多功能X射线衍射仪,元素化合价测试选用日本岛津-Kratos公司AXIS UltraDLDX射线光电子能谱仪,图像分析采用德国Zeiss Ultra Plus场发射扫描电子显微镜。

    在本底真空度优于1×10-4 Pa的条件下,通入高纯氩气,设定工作气压为0.6 Pa,基片台转速设定为6转/min。预溅射功率为200 W,先将靶材分别预溅射5 min。再设定五氧化钒靶和高纯镁靶上的功率比值分别为300 W: 20 W,300 W: 30 W,300 W: 40 W,沉积时间为30 min,在3 in硅衬底上分3次制备薄膜。

    在共溅射的过程中保持五氧化钒靶的功率为300 W,将高纯镁靶上的功率由20 W增加到30 W、40 W。3次制备的薄膜厚度也有区别,台阶仪测试的结果表明:随着高纯镁靶上的功率由20 W,增加到30 W、40 W,沉积的薄膜厚度由355 nm增加到425 nm、578 nm。用EDS检测不同工艺条件制备薄膜中Mg和V的原子比,结果表明:镁靶上的功率为20 W时,沉积的薄膜中Mg和V的原子比为7:93,镁靶上的功率为30 W时,沉积的薄膜中Mg和V的原子比为17:83。当镁靶上的功率增加到40 W时,沉积的薄膜中Mg和V的原子比迅速增加到为1:2。

    利用XRD检测不同工艺条件制备薄膜的物相,测试角度范围为15~75°,步幅大小为0.02°,测试结果如图 2显示,其中2θ为衍射角。Mg靶的溅射功率为20 W时,共溅射制备的薄膜3条谱峰分别对应于VO2(PDF#73-0514)的(211)、(151)、(024)晶向,没有发现V2O5和MgO晶粒的存在。同时利用XPS检测所制备薄膜中V和Mg化合价情况。测试结果采用高斯曲线进行拟合显示,薄膜中的V元素以+4和+5价共同存在,如图 3。Mg2p峰的窄程扫描图谱中显示:Mg2+结合能为50.75 eV。

    图  2  共溅射制备的钒的氧化物XRD图谱
    Figure  2.  XRD patterns of vanadium oxides prepared by Co-sputtering
    图  3  钒的氧化物薄膜中V2p的窄程扫描图谱
    Figure  3.  XPS spectra of V2p of vanadium oxide film

    Mg靶的功率增加到30 W和V2O5共溅射制备的薄膜,XRD测试结果如图 2显示。共溅射沉积的薄膜晶粒主要成分仍然是(211)和(151)晶向的VO2。根据标准卡片PDF#89-4728分析,(116)晶向的MgV2O5晶粒开始出现。当Mg靶的溅射功率增加到40 W时,在共溅射制备的薄膜中,VO2消失,(116)晶向的MgV2O5和(111)、(200)、(220)晶向的MgO(PDF#89-7746)为主要成分,结晶状况如图 4(a), 图 4(b)

    图  4  MgV2O5薄膜的SEM图像
    Figure  4.  SEM images of MgV2O5 thin films

    V2p、Mg1S的窄程扫描图谱结果显示,如图 5(a), 图 5(b)。V4+的结合能为516.24 eV,半高宽约3.08 eV,Mg2+的结合能为50.75 eV,Mg1S的结合能为1303.74 eV半高宽约1.92 eV。XPS测试结果显示V、Mg两种元素在薄膜中的原子比例约为2:1。

    图  5  共溅射制备的薄膜中V2p、Mg1S的窄程扫描图谱
    Figure  5.  XPS spectrum of V2p、Mg1S of the film prepared by co-sputtering

    为对比研究镁还原V2O5靶材制备的MgV2O5薄膜和V2O5薄膜电学性能不同。用银浆做好电极后,对利用共溅射法制备的MgV2O5薄膜和未被还原的V2O5薄膜进行电学性能对比测试,如图 6

    图  6  MgV2O5和V2O5薄膜的电阻温度曲线
    Figure  6.  Resistance-temperature curves of MgV2O5 and V2O5

    随着高纯镁靶上的功率由20 W,增加到30 W、40 W,沉积的薄膜厚度由355 nm增加到425 nm、578 nm。用EDS检测不同工艺条件制备薄膜中Mg和V的原子比,结果显示:当镁靶上的功率为20 W时,沉积的薄膜中Mg和V的原子比为7:93,当镁靶上的功率增加到40 W时,沉积的薄膜中Mg和V的原子比迅速增加到为1:2。这可能是由于在溅射金属镁时采用的功率过低,加在阴极上的电压也很低,只有小部分氩离子的能量大于镁的溅射阈值,造成镁的溅射产额比较低。当功率略有增加时,阴极上的电压升高,大部分氩离子的能量大于镁的溅射阈值,镁的溅射产额快速增加,引起薄膜的组分发生了变化,导致薄膜厚度也大幅度增加。

    当Mg靶的溅射功率为20 W时,共溅射制备的薄膜中Mg2+结合能为50.75 eV。+2价的镁离子存在证明了镁原子可以将+5价的钒还原为+4价。V2p峰的窄程扫描图谱中V4+的结合能为516.26 eV,半高宽约0.81 eV;V5+的结合能为517.62 eV,半高宽约1.75 eV。通过高斯曲线对拟合过的V4+、V5+峰面积进行计算,可知在薄膜中V4+所占的比例约为14%,这和7%的Mg原子理论上可以将14%的V5+还原成V4+的结果非常吻合。

    虽然XPS检测结果显示制备薄膜中有+5价V的存在,但XRD测试的结果中没有发现V2O5的存在。这可能是因为沉积的薄膜没有经过退火处理,V2O5以非晶状态存在造成的。根据Scherrer公式DKλ/(βcosθ),可以计算出VO2晶粒尺寸约5 nm。由于VO2晶粒比较小,且在薄膜中占有的比例低,SEM图像中很难发现它的存在。

    当Mg靶的溅射功率增加到40 W时,XPS测试结果显示:V、Mg两种元素在薄膜中的原子比例为1:2。这与XRD测试得出的薄膜的主要成分是MgV2O5这一结果非常吻合。

    图 6可以看出,未被还原的V2O5薄膜285~345 K的温度范围内电阻随温度的变化近似一条直线,无相变行为,升降温曲线是重合在一起的。由TCR计算公式${C_{T, R}} = \frac{1}{R} \times \frac{{\Delta R}}{{\Delta T}} $,R为293 K时薄膜电阻,可以计算得出,未被还原的V2O5薄膜在室温20℃时,TCR约为-1.4%/K。MgV2O5薄膜在285~345 K的温度范围内电阻由90 kΩ下降到1.4 kΩ,减少了约98%,在室温20℃附近显示出明显的相变行为,此温度下的TCR约为-8.6%/K,同时升降温回线的弛豫温度仅为0.3℃,这一结果比未掺杂VO2薄膜的弛豫温度3~5℃[20],低很多。

    目前有关MgV2O5材料性质报道的论文极少,对于薄膜在室温附近具有相变行为且弛豫温度仅为0.3℃这一现象,可能是因为MgV2O5属于钒酸盐梯状化合物,其结构特点是典型的梯形结构,一个梯内的相互作用要比相邻梯间的相互作用大很多[21]。当薄膜温度从310~290 K进行变换时,沿c轴方向形成长和短的两种V-V键,从而使c参数有双重值,这种变化会在V3d导带费米能级上产生一个极小的能隙[22],这类相变属于一级相变,是造成MgV2O5薄膜在285~310 K的附近温度电阻曲线不重合的主要原因。

    据文献[23]报道MgV2O5常温下是一种磁性材料。当薄膜吸收或释放热量发生相变时,不但吉布斯自由能和化学势能都相等,即G1G2μ1μ2,化学势的一级偏微商也相等,只是化学势二级偏微商不相等。MgV2O5在室温附近发生一级相变的同时,可能伴随着二级相变,这类相变会影响材料的磁性,对材料的体积,焓无影响。由于二级相变的存在,弛豫温度要比未掺杂VO2薄膜的弛豫温度小很多。

    另外,由负温度电阻系数热敏电阻器公式:

    $$ {R_{25}} = {R_T}\exp {B_{\rm{n}}}\left( {\frac{1}{{298}} - \frac{1}{T}} \right) $$

    式中:R25为材料25℃的电阻值;RT为温度T时的实际电阻值;Bn为负电阻温度系数热敏电阻器材料物理特性的一个常数。由公式可以计算出,在温度为20℃时,材料常数Bn约为6700。这从另外一个方面说明了该材料在室温附近的绝对灵敏度非常高。

    采用高纯金属镁靶和五氧化钒靶进行共溅射,利用镁原子的还原性,可以将+5价的钒降低为+4价,制备+4价钒的氧化物薄膜。当Mg和V的原子比为1:2时,共溅射制备的薄膜主要成分是MgV2O5。电学性能测试结果显示,MgV2O5薄膜在20℃附近有相变行为,电阻温度系数高达-8.6%/K,回线弛豫温度仅为0.3℃。这可能是由于MgV2O5特殊的梯形结构和磁性特性,在20℃发生二级相变的同时,伴随微弱的一级相变造成的。这为制备在室温条件下,高TCR、低相变弛豫温度的红外薄膜材料提供帮助。

  • 图  1   红外图像热斑

    Figure  1.   Hot spots on the infrared image

    图  2   MF-Net框架

    Figure  2.   Framework for MF-Net

    图  3   特征提取模块

    Figure  3.   Feature extraction module

    图  4   密集块结构

    Figure  4.   Dense block structure

    图  5   自适应融合策略

    Figure  5.   Adaption fusion strategy

    图  6   硬件平台与数据采集

    Figure  6.   Hardware platform and data collection

    图  7   图像获取与配准

    Figure  7.   Image acquisition and registration

    图  8   五种缺陷在不同融合检测网络中的P-R测试曲线

    Figure  8.   P-R curves of five kinds of defects in different fusion detection networks

    图  9   基于单一图像或多源图像对不同缺陷的检测结果对比

    ((a)基于可见光图像检测结果;(b)基于红外图像检测结果;(c)本文方法检测结果;(d)实际缺陷类型及位置)

    Figure  9.   Comparison of detection results of different defects based on single image or multi-source image

    ((a) Detection results based on visible image; (b) Based on infrared image detection results; (c) Detection results of this method; (d) Actual defect type and location)

    表  1   改进前后网络模型对比

    Table  1   Comparison parameters of network model before and after improvement

    Network model Model size/Mb FLOPS/Gb
    YOLOv3 245.3 63.20
    YOLOv3 tiny 33.4 5.56
    MF-Net 35.6 6.02
    下载: 导出CSV

    表  2   数据集分配统计

    Table  2   Distributions of our dataset

    Number of images/pairs Crazing Shadow Covering Bubble Internal
    Filtered images 659 103 398 367 96 403
    Enhanced images 1000 544 552 534 537 565
    Training set 700 366 363 349 356 371
    Validation set 100 60 63 61 59 64
    Test set 200 118 126 124 122 130
    下载: 导出CSV

    表  3   网络训练参数

    Table  3   Network training parameters

    Parameter Value Parameter Value
    Input size 416×416 Epoch 200
    Batch size 2 Momentum 0.9
    Learning rate 0.0005 Confidence 0.65
    下载: 导出CSV

    表  4   消融实验结果

    Table  4   Results of ablation experiences

    S/N Replace Conv. Three scale detection Dense Block mAP FPS
    1 75.93% 11.23
    2 82.02%(+6.09%) 8.13(-3.10)
    3 76.21%(+0.28%) 9.43(-1.80)
    4 80.96%(+5.03%) 11.36(+0.13)
    5 83.34%(+7.41%) 7.41(-3.82)
    下载: 导出CSV

    表  5   不同网络框架对比评估

    Table  5   Comparative evaluation of different networks

    S/N Model Input Correct detection Correct classification FPS F1 score
    1 Improved YOLOv3 tiny Visible image 320 297 12.61 0.53
    2 Improved YOLOv3 tiny Infrared image 497 103 12.63 0.17
    3 MF-Net and channel addition strategy Multi-source image 553 516 7.41 0.82
    4 SSD Multi-source image 512 446 1.31 0.72
    5 Ours Multi-source image 559 538 7.39 0.86
    下载: 导出CSV
  • [1]

    Alves R H F, Deus Júnior G A, Marra E G, et al. Automatic fault classification in photovoltaic modules using Convolutional Neural Networks[J]. Renewable Energy, 2021, 179: 502-516. DOI: 10.1016/j.renene.2021.07.070

    [2] 闫冯渊. 实用化光伏组件监测电路研制[D]. 北京: 华北电力大学, 2021.

    YAN Fengyuan. Development of Practical Monitoring Circuit For Photovoltaic Modules[D]. Beijing: North China Electric Power University, 2021.

    [3] 林剑春, 杨爱军, 沈熠辉. 电致发光缺陷检测仪的成像性能评估[J]. 光学精密工程, 2017, 25(6): 1418-1424. https://www.cnki.com.cn/Article/CJFDTOTAL-GXJM201706003.htm

    LIN Jianchun, YANG Aijun, SHEN Yihui. Evaluation of imaging performance for electroluminescence defect detector[J]. Optics and Precision Engineering, 2017, 25(6): 1418-1424. https://www.cnki.com.cn/Article/CJFDTOTAL-GXJM201706003.htm

    [4]

    LI X, LI W, YANG Q, et al. An unmanned inspection system for multiple defects detection in photovoltaic plants[J]. IEEE Journal of Photovoltaics, 2020, 10(2): 568-576. DOI: 10.1109/JPHOTOV.2019.2955183

    [5]

    Espinosa A R, Bressan M, Giraldo L F. Failure signature classification in solar photovoltaic plants using RGB images and convolutional neural networks – Science Direct[J]. Renewable Energy, 2020, 162: 249-256. DOI: 10.1016/j.renene.2020.07.154

    [6] 邓堡元, 何赟泽, 王洪金, 等. 光伏电池图像序列的深度学习检测方法[J]. 机械工程学报, 2021, 57(8): 98-106. https://www.cnki.com.cn/Article/CJFDTOTAL-JXXB202108009.htm

    DENG Baoyuan, HE Yunze, WANG Hongjin, et al. Deep learning inspection for photovoltaic cell image sequence[J]. Journal of Mechanical Engineering, 2021, 57(8): 98-106. https://www.cnki.com.cn/Article/CJFDTOTAL-JXXB202108009.htm

    [7] 孙智权, 周奇, 陈震, 等. 基于CMOS图像传感器的太阳能电池缺陷检测系统设计[J]. 仪表技术与传感器, 2018(1): 60-63. DOI: 10.3969/j.issn.1002-1841.2018.01.015

    SUN Zhiquan, ZHOU Qi, CHEN Zhen, et al. Design of solar cell defects detection system based on CMOS image sensor[J]. Instrument Technique and Sensor, 2018(1): 60-63. DOI: 10.3969/j.issn.1002-1841.2018.01.015

    [8]

    HE Y, DU B, HUANG S. Noncontact electromagnetic induction excited infrared thermography for photovoltaic cells and modules inspection[J]. IEEE Transactions on Industrial Informatics, 2018, 14(12): 5585-5593. DOI: 10.1109/TII.2018.2822272

    [9] 郭梦浩, 徐红伟. 基于Faster RCNN的红外热图像热斑缺陷检测研究[J]. 计算机系统应用, 2019, 28(11): 265-270. https://www.cnki.com.cn/Article/CJFDTOTAL-XTYY201911039.htm

    GUO Menghao, XU Hongwei. Hot spot defect detection based on infrared thermal image and Faster RCNN[J]. Computer Systems & Applications, 2019, 28(11): 265-270. https://www.cnki.com.cn/Article/CJFDTOTAL-XTYY201911039.htm

    [10] 谢春宇. 基于红外与可见光双模图像融合的目标检测跟踪技术研究[D]. 南京: 东南大学, 2020.

    XIE Chunyu. Research on target detection and tracking technology based on infrared and visible dual mode image fusion[D]. Nanjing: Southeast University, 2020.

    [11]

    SONG H, LIU Z, DU H, et al. Depth-aware salient object detection and segmentation via multiscale discriminative saliency fusion and bootstrap learning[J]. IEEE Transactions on Image Processing, 2017, 26(9): 4204-4216. DOI: 10.1109/TIP.2017.2711277

    [12] 郑欣悦, 赖际舟, 吕品, 等. 基于红外视觉/激光雷达融合的目标识别与定位方法[J]. 导航定位与授时, 2021, 8(3): 34-41. https://www.cnki.com.cn/Article/CJFDTOTAL-DWSS202103007.htm

    ZHENG Xinyue, LAI Jizhou, LV Pin, et al. Object detection and positioning method based on infrared vision/lidar fusion[J]. Navigation Positioning & Timing, 2021, 8(3): 34-41. https://www.cnki.com.cn/Article/CJFDTOTAL-DWSS202103007.htm

    [13] 康硕, 柯臻铮, 王璇, 等. 基于红外和可见光图像融合的铺丝缺陷检测方法[J]. 航空学报, 2021, 42(12): 425187. https://www.cnki.com.cn/Article/CJFDTOTAL-HKXB202203045.htm

    KANG Shuo, KE Zhenzheng, WANG Xuan, et al. Detection method of defects in automatic fiber placement based on infrared and visible image fusion[J]. Acta Aeronautica et Astronautica Sinica, 2021, 42(12): 425187. https://www.cnki.com.cn/Article/CJFDTOTAL-HKXB202203045.htm

    [14]

    LIU D, ZHOU D, NIE R, et al. Infrared and visible image fusion based on convolutional neural network model and saliency detection via hybrid l0-l1 layer decomposition[J]. Journal of Electronic Imaging, 2018, 27(6): 063036. http://www.researchgate.net/publication/329955538_Infrared_and_visible_image_fusion_based_on_convolutional_neural_network_model_and_saliency_detection_via_hybrid_l0-l1_layer_decomposition

    [15] 马旗, 朱斌, 程正东, 等. 基于双通道的快速低空无人机检测识别方法[J]. 光学学报, 2019, 39(12): 105-115. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB201912012.htm

    MA Qi, ZHU Bin, CHENG Zhengdong, et al. Detection and recognition method of fast low-altitude unmanned aerial vehicle based on dual channel[J]. Acta Optica Sinica, 2019, 39(12): 105-115. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB201912012.htm

    [16] 白玉, 侯志强, 刘晓义, 等. 基于可见光图像和红外图像决策级融合的目标检测算法[J]. 空军工程大学学报: 自然科学版, 2020, 21(6): 53-59, 100. https://www.cnki.com.cn/Article/CJFDTOTAL-KJGC202006009.htm

    BAI Yu, HOU Zhiqiang, LIU Xiaoyi, et al. An object detection algorithm based on decision-level fusion of visible light image and infrared image[J]. Journal of Air Force Engineering University: Natural Science Edition, 2020, 21(6): 53-59, 100. https://www.cnki.com.cn/Article/CJFDTOTAL-KJGC202006009.htm

    [17] 唐聪, 凌永顺, 杨华, 等. 基于深度学习的红外与可见光决策级融合检测(英文)[J]. 红外与激光工程, 2019, 48(6): 456-470. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201906045.htm

    TANG Cong, LING Yongshun, YANG Hua, et al. Decision-level fusion detection for infrared and visible spectra based on deep learning[J]. Infrared and Laser Engineering, 2019, 48(6): 456-470. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201906045.htm

    [18] 刘家银, 印杰, 牛博威, 等. 海量网站中博彩类违法网站的捕获方法[J]. 数据采集与处理, 2021, 36(5): 1050-1061. https://www.cnki.com.cn/Article/CJFDTOTAL-SJCJ202105021.htm

    LIU Jiayin, YIN Jie, NIU Bowei, et al. Capture methods of gambling related illegal websites in massive websites[J]. Journal of Data Acquisition and Processing, 2021, 36(5): 1050-1061. https://www.cnki.com.cn/Article/CJFDTOTAL-SJCJ202105021.htm

    [19]

    DING S, LONG F, FAN H, et al. A novel YOLOv3-tiny network for unmanned airship obstacle detection[C]// IEEE 8th Data Driven Control and Learning Systems Conference (DDCLS), 2019: 277-281.

    [20]

    HUANG G, LIU Z, Van Der Maaten L, et al. Densely connected convolutional networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 4700-4708.

    [21]

    Pech-Pacheco J L, Cristóbal G, Chamorro-Martinez J, et al. Diatom autofocusing in bright field microscopy: a comparative study[C]//Proceedings 15th International Conference on Pattern Recognition, 2000, 3: 314-317.

    [22]

    JIANG Q, LIU Y, YAN Y, et al. A contour angle orientation for power equipment infrared and visible image registration[J]. IEEE Transactions on Power Delivery, 2020, 36(4): 2559-2569. http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9149795

    [23]

    DENG J, DONG W, Socher R, et al. Imagenet: A large-scale hierarchical image database[C]//2009 IEEE Conference on Computer Vision and Pattern Recognition, 2009: 248-255.

  • 期刊类型引用(1)

    1. 付学成,徐锦滨,乌李瑛,付刘成,王英. 溅射工艺时间对不同靶材溅射速率的影响. 实验室研究与探索. 2024(09): 37-40 . 百度学术

    其他类型引用(0)

图(9)  /  表(5)
计量
  • 文章访问数:  498
  • HTML全文浏览量:  105
  • PDF下载量:  97
  • 被引次数: 1
出版历程
  • 收稿日期:  2022-08-16
  • 修回日期:  2022-09-12
  • 刊出日期:  2023-05-19

目录

/

返回文章
返回
x 关闭 永久关闭

尊敬的专家、作者、读者:

端午节期间因系统维护,《红外技术》网站(hwjs.nvir.cn)将于2024年6月7日20:00-6月10日关闭。关闭期间,您将暂时无法访问《红外技术》网站和登录投审稿系统,给您带来不便敬请谅解!

预计6月11日正常恢复《红外技术》网站及投审稿系统的服务。您如有任何问题,可发送邮件至编辑部邮箱(irtek@china.com)与我们联系。

感谢您对本刊的支持!

《红外技术》编辑部

2024年6月6日