Infrared Small Target Detection Method Based on Multi-Scale Feature Fusion
-
摘要: 红外小目标检测因其探测距离远、抗干扰能力强等特点，在空中目标探测与跟踪系统中得到了广泛的应用。针对目前红外小目标检测算法在复杂背景下检测准确率低、虚警率高等缺点。提出了一种基于多尺度特征融合的端到端红外小目标检测模型（multi-scale feature fusion single shot multibox detecto，MFSSD）。考虑到红外小目标的特点，通过细化和融合特征图的方法提出了一种特征融合模块，通过SP模块提高特征图不同通道的相关性，3种不同序列红外图像的实验结果表明，该算法在红外小目标检测中的平均检测精度高达87.8%。与传统的多尺度目标检测算法相比，准确率和召回率都有显著提高。Abstract: Infrared small target detection is widely used in aerial target detection and tracking systems owing to its long detection range and strong anti-jamming ability. Aiming at to overcome the shortcomings of the current infrared small target detection algorithm, such as a low precision rate and high false alarm rate when dealing with complex backgrounds, we propose an end-to-end infrared small target detection model (called MFSSD) based on multi-scale feature fusion. Considering the traits of the targets, we propose a feature fusion module using a refinement and fusion feature map method and improve the correlation of different channels through the SP module. The experimental results of three different sequences of infrared image detection show that the average detection accuracy of the MFSSD algorithm for infrared small target detection was as high as 87.8%. Compared with those of the traditional multi-scale target detection algorithm, both the precision rate and recall rate have been significantly improved.
-
Keywords:
- attention mechanism /
- infrared small target /
- SSD /
- multi-scale feature fusion
-
0. 引言
变电站电力设备由于长期处于运行工作状态，因此易引起各种类型故障，进而对电网的安全稳定运行造成一定威胁[1]。红外热成像技术可以检测出物体的温度，并且该技术存在非接触、直观化且无需对设备进行断电等优点，使其成为电力设备热故障检测的有力手段[2-3]。但红外热图像在形成的过程中因设备和环境的共同影响往往会存在一些问题，如对比度低、亮度暗、细节不突出等。这些缺点的存在会影响后续对图像一系列的分析与处理，因此利用增强算法提高图像的质量十分必要[4]。
常见的图像增强算法大致可划分为空域算法及频域算法两大类[5]。空域算法是指对图像中的像素灰度值按一定映射规则进行转变来增强图像质量，如直方图均衡化算法、Retinex理论算法等；频域算法是指通过分析频谱来改变图像特征，进而达到增强图像的效果，如小波变换、傅里叶变换等[6-7]。这些算法在增强电力设备红外图像时会存在一些问题，如经直方图均衡化算法增强后的图像，其内部噪声会被放大进而导致细节丢失；经Retinex理论算法增强后的图像有时会存在不同程度的“光晕”现象；经频域算法增强后的图像其细节部分模糊[8]。针对传统方法增强电力设备红外图像时会存在一些问题，许多学者提出了一些改进算法。陈尧等将非下采样轮廓波变换(nonsubsampled contourlet, NSCT)与Pal-King模糊增强算法相结合实现了电力设备红外图像的增强[9]。朱颖等采取非下采样剪切波变换(nonsubsampled shearlet transform, NSST)将图像先分为高、低频两部分，然后对高低频两部分分别进行处理，最后按照NSST变换进行合成实现红外图像的增强[10]。刘陈瑶等采取双边滤波将图像分为基础图像和细节图像，然后对基础图像采用对比度受限自适应直方图均衡法(contrast limited adaptive histogram equalization，CLAHE)进行增强，对细节图像采用分段线性变换结合拉普拉斯变换的方式进行处理，并将处理后的两图像进行叠加实现图像的增强[11]。以上3种算法虽实现了图像的亮度提升与对比度增强，但是这些算法的输入图像为灰度图像，没有对原始的红外图像直接处理。谭宇璇等提出了一种参数自调整的Retinex增强算法[12]，由该算法增强后的红外图像其亮度与对比度都得到了很大提升。陈基顺等提出的增强算法其最大特点为可以区分出相近的灰度值，进而直观地看出设备温度之间的具体细节变化[13]。
本文提出了一种融合彩色模型空间的红外图像增强算法，该算法分别在RGB与HSV两彩色模型空间中对图像做增强处理。RGB空间中，结合低照度的电力设备红外图像其R、G、B三分量图的灰度级普遍分布在中低等级处的特点，提出了一种增强函数来提升图像的整体亮度。HSV空间中，对V分量图采取伽马变换结合CLAHE算法的方式来综合增强其亮度，并采取一种非线性色调矫正函数处理S分量图。处理完毕后，首先提取由RGB空间增强图像转换到HSV空间后的三分量图，然后将提取的三分量图与在HSV空间中处理后的三分量图分别进行对应的加权融合，最后将融合结果转换至RGB空间中得到红外图像的增强图像。实验结果显示，增强后的红外图像其亮度与对比度的提升无论从主观视觉还是客观评价上都取得了较好结果。
1. 本文算法
HSV彩色模型空间中的色彩三分量彼此相互独立，因此对其中任意分量处理时都不会影响到其他两个分量，即在该空间处理后的图像具备色彩失真度小、颜色更加逼真的特点[14]。根据该空间特性，提出了一种与HSV彩色模型空间相融合的图像增强算法，其具体步骤如图 1所示。
![]()
图 1 本文图像增强算法流程Figure 1. Flow chart of image enhancement algorithm proposed in this paper1.1 RGB彩色空间图像增强
RGB彩色空间也称红、绿、蓝三原色彩色空间，其通过使用红、绿、蓝三原色不同比例的分量组合来显示某种色彩及亮度[15]。目前电力设备红外图像的采集主要靠摄像头完成，即设备的红外热图像一般表示在RGB彩色模型空间中。图 2为某幅电力设备的红外图像及其R、G、B三分量的灰度直方图，当图像整体亮度偏低时，其三分量各自的灰度级均分布于中低等级处。
为进一步突显设备故障区域的亮度，在对图像R、G、B三分量进行增强处理之前，采用公式(1)对图像的高灰度级进行预处理。
$$ f{(i, j)^ * } = \left\{ {\begin{array}{*{20}{c}} {f(i, j)}&{f(i, j) < 235} \\ {0.5f(i, j) + 127.5}&{f(i, j) \geqslant 235} \end{array}} \right. $$ (1) 式中：f(i, j)、f(i, j)*分别为输入图像、输出图像在灰度级(i, j)处的灰度值。
![]()
图 2 原始图像及其RGB空间分量的灰度直方图Figure 2. Original image and its RGB space component gray histogram对图像灰度级预处理后，采取中值滤波结合双边滤波的方法实现图像的保边抑噪。红外图像在成像过程中，因设备性能及环境的共同影响会导致图像中存在一定的椒盐噪声和高斯噪声[16]。针对椒盐噪声，中值滤波算法对其有较好的抑制作用。该算法采用模板的方式，将模板内像素点的灰度值进行排序，并使用中值代替模板中心处的灰度值。其计算公式如下：
$$ Y(i, j) = {\rm{Med}}\sum\limits_M {X(i, j)} $$ (2) 式中：M为模板大小；X(i, j)为模板内的灰度值；Med为求中值函数。
针对高斯噪声，本文选取双边滤波算法对其进行抑制。该算法在抑制噪声的同时，对图像的空间邻近度和灰度相似度进行了综合考虑，使其可以较好地保护图像的边缘信息。其计算公式如下：
$$ g(x, y) = \frac{{\sum\limits_{i, j} {f(i, j)\omega (x, y, i, j)} }}{{\sum\limits_{i, j} {\omega (x, y, i, j)} }} $$ (3) $$ \omega (x, y, i, j) = d(x, y, i, j) \cdot r(x, y, i, j) $$ (4) 式中：(x, y)、(i, j)分别为当前处理像素点及其邻域内像素点；ω(x, y, i, j)为加权系数；d(x, y, i, j)、r(x, y, i, j)分别为空域核函数和灰度核函数。
当红外图像的整体亮度偏低时，其R、G、B三分量图的灰度级将普遍分布在中低等级，本文提出了一种灰度级增强函数，如式(5)所示。图 3为由此函数增强后的红外图像及其三分量的灰度直方图，可以看出各分量的灰度级分布得到拉升，并且图像整体亮度被提高。
$$ Y(i, j) = \frac{{79[\sqrt {2X(i, j)} - 0.15X(i, j)]}}{{100}} $$ (5) 式中：X(i, j)为像素点(i, j)处归一化后的灰度值；Y(i, j)为输出灰度值。
![]()
图 3 增强图像及其RGB空间分量的灰度直方图Figure 3. Enhanced image and its RGB space component gray histogram1.2 HSV彩色空间图像增强
HSV是在RGB彩色模型空间的基础上进行归一化操作演化而来的一种色彩模型空间，其中H、S、V分别代表图像的色调、饱和度和亮度[17]。与RGB空间相比，HSV空间的3个分量都彼此独立，即当对图像亮度调整时只需对V分量单独处理，而不影响图像的色调和饱和度；当对图像饱和度处理时只需对S分量单独处理，而不影响图像的亮度及色调。
由图 4(a)显示，当红外图像的整体亮度偏低时，其V分量图的亮度也较低。针对该特点，对V分量图进行两步亮度增强处理，分别为Gamma变换增强和CLAHE算法增强。首先采取伽马变换实现V分量图的全局增强，提升图像背景的整体亮度。伽玛变换的一般表达式为：
$$ s＝cx^{γ} $$ (6) 式中：x为归一化后的像素灰度值；c、γ分别为补偿系数和伽玛系数，γ＞1时，增强的为图像中的亮区域；γ＜1时，增强的则为图像中的暗区域。
由于各红外图像本身的亮度不同，所以γ值的选取需要根据不同图像而适当改变，本文中选取的γ值范围为0.4~0.6。图 4(c)为伽马变换增强后的V分量图。
由于伽马变换是全局增强，所以增强后的图像亮度得到了整体性地提高，但没有突出设备与背景之间的亮度差。因为CLAHE算法将图像先分成若干个小子块，然后对每一个子块的直方图进行限幅，所以可以有效地抑制局部灰度值过度增强的问题，于是本文进一步采取CLAHE算法来改善V分量图的增强效果。图 4中的(e)、(f)分别为增强后的V分量图及其灰度直方图，从中可以看出对伽马变换增强后的图像再采取CLAHE算法增强，可以有效地抑制背景亮度并提升设备区域的亮度，使亮区域的灰度级分布比较均匀，突出了设备与背景之间的亮度差。
电力设备红外图像除了整体亮度偏低外，还存在对比度低的问题，这是由于红外热成像仪的成像是依靠物体之间的温度差，当设备与环境之间的温差不大时，此时就会造成红外热图像的对比度偏低。针对此问题，本文对色彩饱和度S分量图进行矫正处理，采用的矫正函数为公式(7)，图 5为该函数处理后的效果图。
$$ {S^ * }(x, y) = \frac{{{{[S(x, y)]}^3} + 0.6S(x, y)}}{3} $$ (7) 式中：S*(x, y)为处理后的图像色彩饱和度分量；S(x, y)为原图像的色彩饱和度分量。
1.3 RGB与HSV空间图像融合
由图 6(a)、(b)显示，在RGB空间中增强的图像其特点为色彩饱和度高及背景亮度大，而在HSV空间中增强的图像其特点为设备与背景之间的对比度高。结合两空间增强图像各自的特点，按公式(8)融合两图像的H、S、V三分量图，并将融合结果转回到RGB彩色空间中得到最终的输出图像，如图 6(c)所示。
$$ \left\{ {\begin{array}{*{20}{c}} {H = {\alpha _1}{H_\text{RGB}} + {\beta _1}{H_\text{HSV}}} \\ {S = {\alpha _2}{S_\text{RGB}} + {\beta _2}{S_\text{HSV}}} \\ {V = {\alpha _3}{V_\text{RGB}} + {\beta _3}{V_\text{HSV}}} \end{array}} \right. $$ (8) 式中：H、S、V分别为融合后的三分量图；HRGB、SRGB、VRGB分别为RGB空间增强图像转到HSV空间后的三分量图；HHSV、SHSV、VHSV分别为在HSV空间中处理后的三分量图；α1、α2、α3、β1、β2、β3为融合系数。本文对H、S两分量采取等量加权融合的方式，即α1、α2、β1、β2都取值为0.5，对V分量采取等量融合的方式，即α3、β3取值为1。
2. 实验结果与分析
为了验证本文算法可以实现红外图像的亮度增强与对比度提升，选取3张对比度较低的电力设备红外图像作图像增强对比实验，测试图像如图 7所示(红外图像取自网络)。首先对图像采取直方图均衡化(histogram equalization, HE)、同态滤波、多尺度Retinex算法(multi-scale Retinex, MSR)、CLAHE算法、加权分布自适应伽马校正算法(adaptive gamma correction with weighting distribution, AGCWD)、文献[12]算法及本文算法进行增强处理；接着对各算法增强后的图像进行主观和客观上的评价，来验证本文增强算法的优越性。
2.1 主观评价
本文对选择的3张红外图像进行不同算法的增强对比实验，实验结果如图 8~图 10所示。从中可以看出，HE算法虽提升了红外图像的亮度，但同时放大了图中噪声导致视觉效果较差，并且存在严重的颜色畸变问题。同态滤波、MSR及AGCWD算法总体对红外图像的增强表现不是很明显，且MSR算法有时会出现光晕现象。CLAHE算法突显出了设备区域，但该算法放大了图中噪声，导致增强后的图像普遍存在模糊问题。文献[12]及本文算法都可以很大幅度地提升图像亮度和对比度，但文献[12]的增强效果受原始图像的质量影响较大，当图中的背景信息复杂时，则增强后的图像其视觉效果会出现一些偏差，如图 8(g)所示，并且增强图像中有时也会伴随光晕问题，如图 9(g)、图 10(g)所示。总体从主观评价上而言，本文算法可以较好地提升红外图像的亮度与对比度，并且增强图像中没有出现光晕及模糊等问题。
2.2 客观评价
为进一步确认本文算法在提升图像亮度与对比度方面优于所选取的对比算法，选取灰度均值及标准差两种图像质量评价标准对增强后的图像质量进行客观上的评价。
灰度均值大小可以反映图像整体亮度，其值越大说明图像亮度越高。其计算公式如下：
$$ \mu = \frac{1}{{MN}}\sum\limits_{i = 0}^M {\sum\limits_{j = 0}^N {f(i, j)} } $$ (9) 式中：M和N分别为图像在x轴和y轴方向上的像素点数目；f(i, j)为像素点(i, j)处的灰度值。
标准差值大小可以反映图像灰度值相对于灰度均值的离散程度，值越大说明灰度级分布越分散，则图像对比度越高。其计算公式如下：
$$ \delta = \sqrt {\frac{1}{{MN}}\sum\limits_{i = 0}^M {\sum\limits_{j = 0}^N {{{[f(i, j) - \mu ]}^2}} } } $$ (10) 式中：μ为图像灰度均值。
图 8~图 10的客观评价结果如表 1所示，对比表中数据可知，由文献[12]及本文算法增强后的红外图像其灰度均值和标准差两种指标值都相对提升较为明显，且相比之下本文算法略胜一筹。计算表中数据可得，本文算法增强后的3张图像其灰度均值和标准差两种指标的平均值分别高达115.94和78.65，相比3张原始图像的两指标平均值分别提升了81.59和36.17。由此说明，本文的增强算法可以实现红外图像的亮度增强与对比度提升。
表 1 客观评价结果Table 1. Objective evaluation resultsEvaluation criterion Comparison algorithm Image 1 Image 2 Image 3 μ Original 15.42 29.26 58.35 HE 178.21 136.75 129.58 Homomorphic 31.82 55.50 69.67 MSR 27.05 46.70 70.25 CLAHE 26.88 44.61 48.08 AGCWD 25.57 40.73 92.89 Reference [12] 45.70 86.46 140.67 Proposed 68.89 132.59 146.33 δ Original 38.84 55.38 33.21 HE 35.11 69.55 71.79 Homomorphic 65.54 72.37 44.11 MSR 51.60 56.61 46.43 CLAHE 56.31 62.23 49.29 AGCWD 64.34 74.70 55.29 Reference [12] 81.23 84.28 59.44 Proposed 89.39 81.35 65.21 3. 结论
针对电力设备红外图像普遍存在亮度暗、对比度低等问题，提出了一种基于颜色空间的图像增强算法。该方法首先分别在RGB与HSV两彩色模型空间中对图像做不同方式的增强处理，然后将在RGB空间中的增强图像转换至HSV空间中，最后将两种空间各自增强图像的H、S、V分量进行不同比例的对应融合，并将融合图像由HSV空间转回RGB空间中得到最终的输出红外图像。为了验证该算法可以有效地提升红外图像的亮度与对比度，与6种不同的增强算法进行了对比实验。据实验结果显示，从主观上看，由本文算法增强后的红外图像其亮度和对比度得到了很大提升，并且没有出现图像模糊及光晕现象等问题；从图像质量评价标准的数据上看，由本文算法增强后的红外图像其灰度均值和标准差值较高，即也客观说明了与其他算法相比，本文算法在提升红外图像亮度与对比度方面具备一定优势。
-
![]()
图 5 模型-1、2、3、4、5网络的损耗函数曲线
Figure 5. Loss functions curves of Model-1, 2, 3, 4, 5 networks
![]()
图 7 红外小目标测试中的Recall与precision折线图
Figure 7. Recall versus precision graph in infrared small target test
表 1 红外小目标数据集描述
Table 1 Details of the infrared small target dataset
Name Total number Image resolution Detail Data1 399 256×256 The background is a sky back-ground
with varying degrees of thermal noise and a single targetData2 100 256×256 Background is the intersection of sky
and ground background, a single targetData3 998 256×256 The background is a sky back-ground with two
targets and cross flying
下载: 导出CSV
表 2 实验中的比较算法
Table 2 The comparison algorithms in the experiment
Model Model description 1 SSD 2 SSD+FFM(FFM module
adopts up-sampling and down-sampling methods for fusion)3 SSD +FFM(FFM module
adopts subpixel convolutional layer and path layer methods for fusion)4 SSD + FFM(FFM module
adopts up-sampling and down-sampling methods for fusion) + SP module5(ours) SSD+FFM(FFM module
adopts subpixel convolutional layer and path layer methods for fusion)+ SP module
下载: 导出CSV
表 3 不同网络算法的性能比较
Table 3 Comparison of algorithm performance of different networks
Model Input Train Test Map Fps 1 256 1297 200 82.5 29 2 256 1297 200 85.5 23 3 256 1297 200 86.2 25 4 256 1297 200 86.1 15 5 256 1297 200 87.8 17
下载: 导出CSV
-
[1] SHAO Xiaopeng, FAN Hua, LU Guangxu, et al. An improved infrared dim and small target detection algorithm based on the contrast mechanism of human visual system[J]. Infrared Physics & Technology, 2012, 55(5): 403-408.
[2] Coppo Peter. Simulation of fire detection by infrared imagers from geostationary satellites[J]. Remote Sensing of Environment, 2015, 162: 84-98. DOI: 10.1016/j.rse.2015.02.016
[3] 王周春, 崔文楠, 张涛. 基于支持向量机的长波红外目标分类识别算法[J]. 红外技术, 2021, 43(2): 153-161. WANG Z, CUI W, ZHANG T. A long-wave infrared target classification and recognition algorithm based on support vector machine[J]. Infrared Technology, 2021, 43(2): 153-161.
[4] ZHANG X, REN K, WAN M, et al. Infrared small target tracking based on sample constrained particle filtering and sparse representation[J]. Infrared Physics & Technology, 2017, 87: 72-82. http://www.sciencedirect.com/science/article/pii/S1350449517302864
[5] QIN Y, LI B. Effective Infrared Small Target Detection Utilizing a Novel Local Contrast Method[J]. IEEE Geoscience & Remote Sensing Letters, 2016: 1890-1894. http://ieeexplore.ieee.org/document/7725517
[6] DENG L, HU Z, QUAN Z, et al. Adaptive top-hat filter based on quantum genetic algorithm for infrared small target detection[J]. Multimedia Tools & Applications, 2017(6): 1-13. DOI: 10.1007/s11042-017-4592-2
[7] 王瑞, 朱志宇, 张冰. 基于人类视觉机制和粒子滤波的红外小目标跟踪[J]. 江苏科技大学学报: 自然科学版, 2018, 32(4): 74-78. https://www.cnki.com.cn/Article/CJFDTOTAL-HDCB201804013.htm WANG R, ZHU Z, ZHANG B. Infrared small target tracking based on human vision mechanism and particle filtering[J]. Journal of Jiangsu University of Science and Technology: Natural Science Edition, 2018, 32(4): 74-78. https://www.cnki.com.cn/Article/CJFDTOTAL-HDCB201804013.htm
[8] Krizhevsky A, Sutskever I, Hinton G. ImageNet Classification with Deep Convolutional Neural Networks[C]//NIPS. Curran Associates Inc., 2012: 84-90.
[9] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[J/OL]. Computer Science, 2014, https://www.oalib.com/paper/4068791.
[10] HE K, ZHANG X, REN S, et al. Identity Mappings in Deep Residual Networks[M]. Springer, Cham, 2016.
[11] Szegedy C, WEI L, JIA Y, et al. Going Deeper with Convolutions[J]. IEEE Computer Society, 2015(6): 19.
[12] Girshick R, Donahue J, Darrell T, et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[J]. IEEE Computer Society, 2013, 81: 580-587.
[13] Girshick R. Fast R-CNN[C]//2015 IEEE International Conference on Computer Vision (ICCV), 2015: 1440-1448.
[14] 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 & Machine Intelligence, 2017, 39(6): 1137-1149. http://www.tandfonline.com/servlet/linkout?suffix=CIT0014&dbid=8&doi=10.1080%2F2150704X.2018.1475770&key=27295650
[15] Redmon J, Divvala S, Girshick R, et al. You Only Look Once: Unified, Real-Time Object Detection[C]//Computer Vision & Pattern Recognition. IEEE, 2016: 779-788.
[16] LIU W, Anguelov D, Erhan D, et al. SSD: Single Shot MultiBox Detector[J]. European Conference on Computer Vision, 2016: 21-37. DOI: 10.1007/978-3-319-46448-0_2
[17] 李慕锴, 张涛, 崔文楠. 基于YOLOv3的红外行人小目标检测技术研究[J]. 红外技术, 2020, 42(2): 176-181. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS202002014.htm LI M K, ZHANG T, CUI W. Research on Infrared Pedestrian Small Target Detection Based onYOLOv3[J]. Infrared Technology, 2020, 42(2): 176-181. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS202002014.htm
[18] 于周吉. 基于卷积神经网络的红外弱小目标检测算法[J]. 光学与光电技术, 2020, 18(5): 63-67. https://www.cnki.com.cn/Article/CJFDTOTAL-GXGD202005012.htm YU Z J. Infrared dim target detection algorithm based on convolutional neural network[J]. Optics & Optoelectronic Technology, 2020, 18(5): 63-67. https://www.cnki.com.cn/Article/CJFDTOTAL-GXGD202005012.htm
[19] SHI M, WANG H, Infrared Dim and Small Target Detection Based on Denoising Autoencoder Network[J]. Mobile Networks and Applications, 2020, 25(4): 1469-1483. DOI: 10.1007/s11036-019-01377-6
[20] Ryu J, Kim S. Data Driven Proposal and Deep Learning-based Small Infrared Drone Detection[J]. Journal of Institute of Control, Robotics and Systems, 2018, 24: 1146-1151. DOI: 10.5302/J.ICROS.2018.18.0157
[21] Ryu J, Kim S. Heterogeneous Gray-Temperature Fusion-Based Deep Learning Architecture for Far Infrared Small Target Detection[J]. Journal of Sensors, 2019(7): 1-15. http://www.researchgate.net/publication/335356131_Heterogeneous_Gray-Temperature_Fusion-Based_Deep_Learning_Architecture_for_Far_Infrared_Small_Target_Detection
[22] Redmon J, Farhadi A. YOLO9000: Better, Faster, Stronger[J]. IEEE, 2017(11): 6517-6525. http://ieeexplore.ieee.org/document/8100173
[23] SHI W, Caballero J, F Huszár, et al. Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network[J]. IEEE, 2016(12): 1063-6919. http://ieeexplore.ieee.org/document/7780576
-
期刊类型引用(2)
1. 樊慧文. 深度学习在输变电设备故障状态检测中的应用研究. 电工技术. 2025(02): 95-97+101 . 
百度学术
2. 王紫荆，刘卫星，杨爱民. 基于改进鲸鱼优化算法的工业CT图像增强方法. 电子测量技术. 2024(11): 160-168 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 463
- HTML全文浏览量: 73
- PDF下载量: 124
- 被引次数: 5
