煤礦井紅外熱成像中的多尺度融合目標特征檢測

摘"要：煤礦井內環境復雜，存在較多的危險因素，單一尺度的特征提取很難實現精準檢測目標，無法充分保障工作人員的安全。為此，提出了煤礦井紅外熱成像中的多尺度融合目標特征檢測。通過基于自適應鄰域的噪聲抑制方法對圖像展開去噪處理，并利用線性和非線性灰度變換方法增強紅外熱成像。采用特征金字塔展開多尺度融合目標特征提取，利用多尺度融合技術，結合YOLOv5網絡預測損失函數，實現煤礦井紅外熱成像目標檢測。實驗結果表明，所提算法的煤礦井紅外熱成像效果較好，能夠全部檢測到紅外熱成像目標特征，同時PR曲線圖的AP面積較大，說明所提算法提高了目標特征檢測的精度、效率和可靠性。

關鍵詞：多尺度融合；紅外熱成像；目標特征檢測；特征金字塔；煤礦井

中圖分類號：TP391"""""""文獻標識碼：A

Multiscale"Fusion"Target"Feature"Detection"in"Infrared

Thermal"Imaging"of"Coal"Mines

CHEN"Xiangyuan，NIU"Qing

（Guoneng"Yulin"Energy"Co.，"Ltd.，Yulin，"Shaanxi"719000，China）

Abstract：The"environment"in"coal"mine"is"complex"and"there"are"many"risk"factors."It"is"difficult"to"achieve"the"accurate"detection"target"by"single"scale"feature"extraction，"and"the"safety"of"staff"cannot"be"fully"guaranteed."Therefore，"multiscale"fusion"target"feature"detection"in"infrared"thermal"imaging"of"coal"mines"is"proposed."By"using"adaptive"neighborhood"based"noise"suppression"methodsnbsp;to"denoise"the"image，"and"utilizing"linear"and"nonlinear"grayscale"transformation"methods"to"enhance"infrared"thermal"imaging."The"multiscale"fusion"target"feature"extraction"is"carried"out"by"feature"pyramid，"and"the"multiscale"fusion"technology"is"used"to"predict"the"loss"function"combined"with"YOLOv5"network"to"realize"the"target"detection"of"infrared"thermal"imaging"in"coal"mines."The"experimental"results"show"that"the"proposed"algorithm"performs"well"in"infrared"thermal"imaging"of"coal"mines，"and"can"detect"all"infrared"thermal"imaging"target"features."At"the"same"time，"the"AP"area"of"the"PR"curve"is"larger，"indicating"that"the"proposed"algorithm"improves"the"accuracy，"efficiency，"and"reliability"of"target"feature"detection.

Key"words：multiscale"fusion;"infrared"thermal"imaging;"target"feature"detection;"characteristic"pyramid;"coal"mine"wells

煤礦井是煤炭資源的主要采集地，也是煤礦生產和工作的主要場所。然而，煤礦井內環境復雜，存在著各種危險因素，如瓦斯、粉塵等。一旦發生事故，不僅會造成煤炭資源的大量流失，還會出現嚴重的環境污染，甚至可能造成人員傷亡[1-2]。為此，研究煤礦井內情況對保障煤礦井生產和工作安全具有重要意義和價值。

李北明等[3]通過GhostNet算法對模型采取剪枝處理，使用Mosaic和Copypaste兩種方法展開數據增強，提高YOLOv5的檢測準確率，建立紅外安防領域數據集，實現紅外目標檢測。但該方法去噪處理后的圖像仍存在顆粒噪聲。趙洪山等[4]利用雙邊濾波增強圖像紋理特征，根據特殊紋理特征和圖像掃描法，建立反映傘裙周期性的描述子，并展開紅外熱成像的粗識別。在基于密度的聚類算法（DensityBased"Spatial"Clustering"of"Applications"with"Noise，DBSCAN）的基礎上，建立目標圖像的超參數求解，通過特征點聚類，實現高壓絕緣套管精細分割。但該方法的圖像增強效果差，無法提取到有效的細節紋理信息。宋子壯等[5]利用圖像翻譯網絡得出目標域圖像，使用梯度反轉層優化網絡提取特征的域間適應性。通過最大均值差異損失縮小，提取不同紅外探測器圖像的特征分布。使用AdamW異步更新優化算法，但該方法檢測到的目標數量與實際數量相差較大，降低了目標識別的精度。

為此，提出了煤礦井紅外熱成像中的多尺度融合目標特征檢測。

1"煤礦井紅外熱成像預處理

煤礦井環境較為復雜，存在較多干擾因素，獲取的紅外熱圖像往往存在噪聲，且對比度較低，會影響煤礦井紅外熱成像目標特征的檢測和識別。為了提高煤礦井紅外熱成像目標特征檢測的精度，進行煤礦井紅外熱成像預處理。

1.1"煤礦井紅外熱成像的噪聲抑制

在煤礦井紅外熱成像的去噪過程中，主要采用基于自適應鄰域的噪聲抑制，其具體思路為：通過最大類間方差法確定像素模板的最佳分割閾值。根據最佳分割閾值將像素劃分為前景、背景和噪聲，其中前景指與種子像素存在相同特征的像元，背景指固定鄰域內與前景鄰接的部分，從而抑制煤礦井紅外熱成像中的噪聲，達到較好的紅外熱成像效果。

在煤礦井紅外熱成像的種子像素中建立一個7×7的領域范圍，O（o，k）表示煤礦井紅外熱成像中種子像素，其中的o是像素中的灰度，k是該灰度值出現的像素次數，此范圍內存在的全部像素O的定義如式（1）所示：

O=1，O－Oo，klt;Y0，其他"（1）

其中，Y是分割閾值，用來判斷種子像素間的相似性。利用最大類間方差法將紅外熱成像的像素分為前景、背景和噪聲，以方便后續的紅外熱成像噪聲抑制。

最大類間方差法屬于閾值分割方法中的一種經典方法，是一種非參數、無監督的自適應方法。將D=0，1，2，…，M設定為種子像素模板中所有灰度的集合，Ao表示灰度o出現在集合D中的概率，1，2，…，l表示集合D對應背景的灰度子集，l+1，l+2，…，M表示集合D對應目標的灰度子集，以此推出類別θ和ν的平均灰度值和標準差，如式（2）所示：

θ0=∑lo=0Ao，θ1=∑Mo=l+1Ao

ν0=∑lo=0Ao·O/θ0，ν1=∑Mo=l+1Ao·O/θ1"（2）

由此計算類別θ和ν的類間方差表達式如式（3）所示：

σ2=θ0·θ1·（ν1－ν0）2"（3）

根據最大類間方差的規律，在灰度為0至M之間修改分割閾值Y，同時計算修改后的類間方差，類間方差最大時的Y值即為煤礦井紅外熱成像中種子像素模板的最佳分割閾值。

在煤礦井紅外熱成像中種子像素的7×7鄰域范圍內，每一個像素1組合成的連通區域為種子像素的自適應鄰域[6]，每一個含有0且至少與一個像素1相鄰的像素組合成的連通區域為背景區域。煤礦井紅外熱成像中種子像素的自適應領域示意圖如圖1所示。

圖1中的煤礦井紅外熱成像種子像素的自適應鄰域即為種子像素對應的對象，對于單個噪聲的種子像素，種子的自適應鄰域是種子本身；對于紅外熱成像中的細節或邊緣位置的種子像素，它的自適應鄰域即為細節或邊緣位置的一個連通子區域[7]。找出煤礦井紅外熱成像種子像素的自適應鄰域后，對煤礦井紅外熱成像展開去噪處理，如式（4）所示：

W=∑1q=-1"∑1m=1oqom，Mv=1

σ2"∑FvoFv，Mvgt;1""（4）

其中，Fv是確定的煤礦井紅外熱成像種子像素的自適應鄰域范圍；oq、om、oFv分別為自適應鄰域范圍內種子像素的最大灰度值、最小灰度值以及原始灰度值；Mv是在確定的自適應鄰域范圍內種子像素的數量（個）。當Mv=1時，表示檢測的種子像素屬于強噪聲，需要對其進行抑制處理。由此完成煤礦井紅外熱成像的噪聲抑制。

自適應領域

1.2"增強煤礦井紅外熱成像

煤礦井紅外熱成像增強是指以舍棄圖像中目標物體以外區域的信息為代價，增強目標物體區域的細節信息。通過線性灰度變換和非線性灰度變換，提高煤礦井紅外熱成像的對比度，從而增強煤礦井紅外熱成像。

1．2．1"線性灰度變換

線性灰度變換通常用于調整圖像的亮度和對比度。在煤礦井紅外熱成像中，通過將煤礦井紅外熱成像灰度值映射到一個新的范圍，使得圖像更加清晰、明亮。在線性點的計算過程中，將經過去噪處理后的灰度值范圍為q1，Q的原始煤礦井紅外熱成像g（x，y）變換成灰度值范圍為m1，M1的圖像h（x，y），具體過程如式（5）所示：

hx，y=M1－q1Q－q1·Wgx，y－q1+m1（5）

式（5）即為線性點的計算公式，對應的線性灰度變換圖像如圖2所示。

通過對煤礦井紅外熱成像的線性灰度變換實行分段處理，并在分段后的不同灰度段展開壓縮或拉伸，從而在細節上改善紅外熱成像的對比度。對圖像h（x，y）進行分段設計后的圖像表達式如式（6）所示：

h（x，y）′=

l1gx，y+m1，0≤Wgx，y≤g1

l2gx+g1，y+h1，g1lt;Wgx，y≤g2

l3gx+g2，y+h2，g2lt;Wgx，y≤g3（6）

其中，l1、l2、l3指線性變換圖像被分段后不同直線的斜率，h1、h2分別為分段線性灰度變換的縱坐標值。

1．2．2"非線性灰度變換

非線性灰度變換通常用于處理圖像中的低對比度等問題。在煤礦井紅外熱成像中，由于煤礦井環境較暗，煤礦井紅外熱成像可能存在低對比度區域，因此通過非線性灰度變換提高圖像的質量和對比度。對數變換算法和Gamma校正算法是非線性變換中的兩種主要算法。對數變換處理煤礦井紅外熱成像主要是拓展圖像中灰度值較低的部分，壓縮圖像中灰度值較高的部分。經過非線性灰度變換，將原始煤礦井紅外熱成像g（x，y）變換成圖像h2（x，y）的過程如式（7）所示：

h2（x，y）=gx，y+lg"v（7）

式中，v是常數。

Gamma校正的實質是：設定ε是煤礦井紅外熱成像的灰度值，η表示煤礦井傳感器的入射光強度，此時入射光強度對圖像灰度值的影響如式（8）所示：

ε=η"h2x，y（8）

其中，η表示常數。

為實現煤礦井紅外熱成像增強，需要使入射光的強度和煤礦井紅外熱成像灰度成正比[8]，將圖像灰度值進行Gamma校正，此時Gamma校正變換式如式（9）所示：

ε1=lfε"（9）

其中，lf表示常數。

當η取不同值時，Gamma校正[9]函數曲線如圖3所示。

由圖3可知，當ηlt;1和ηgt;1時，入射光亮度和圖像的灰度值呈非線性變換；當η=1時，Gamma校正函數曲線為線性變換。

將線性灰度變換和非線性灰度變換分別應用于原始煤礦井紅外熱成像，將得到的兩個增強后的圖像進行加權平均，獲取到增強效果更好的煤礦井紅外熱成像，表達式如式（10）所示：

E=w1h（x，y）′+w2ε1""（10）

其中，w1、w2分別表示線性灰度變換和非線性灰度變換的權重。以此達到較好的煤礦井紅外熱成像增強效果。

2"煤礦井紅外熱成像目標特征檢測

利用多尺度融合技術，對經過預處理的煤礦井紅外熱成像進行煤礦井紅外熱成像目標特征提取，結合YOLOv5網絡預測損失函數，實現煤礦井紅外熱成像目標特征檢測。

2.1"提取煤礦井紅外熱成像目標多尺度融合特征

由于煤礦井內環境復雜，光線較弱，因此單一尺度的特征提取很難檢測到紅外熱成像目標，多尺度融合技術可以通過融合不同尺度的紅外熱成像目標信息，使得檢測結果更為可靠。另一方面，煤礦井中紅外熱成像目標的大小和方向各不相同，單一的檢測算法難以適應各種目標，多尺度融合技術能夠更好地適應不同的目標需要，在不同尺度下對目標特征進行多角度、多方向的檢測，使紅外熱成像目標檢測更加全面。為此，采用多尺度融合技術，將煤礦井紅外熱成像按照不同的比例縮放，得到不同尺度的圖像。多尺度是指不同比例下對圖像進行縮放處理以獲得不同尺度的圖像。包括：大尺度的圖像經過較小的縮放比例；中尺度的圖像經過中等程度的縮放比例；小尺度的圖像經過較小的縮放比例。在每個尺度下，提取一系列目標相關的特征，如紋理特征、形狀特征和顏色特征等，描述目標的屬性和特點。使用卷積神經網絡（如VGG、ResNet等）對每個尺度的圖像進行特征提取。利用特征金字塔[10]放入特征聚合層中展開多尺度融合特征提取。不同尺度圖像特征融合利用各尺度特征的權重進行加權融合，根據不同尺度特征的貢獻值進行加權求和從而實現融合。

將紅外熱成像輸入Focus模塊中采取切片處理，然后對處理后的圖像展開卷積操作以得到特征映射。利用Focus模塊展開卷積層替換。在對每個尺度的煤礦井紅外線成像目標分別進行特征提取時，利用在卷積層中嵌入的Focus模塊得到相應的特征圖。對于不同尺度的特征圖，可以采用特征金字塔進行特征融合，以得到多尺度融合的特征表示。采用特征金字塔中的特征圖進行級聯，堆疊較高分辨率的特征圖和較低分辨率的特征圖，從而形成一個多通道的特征聚合層。

采用CSP方法將特征聚合層的特征映射分為兩部分，并利用跨階段結構層次方法進行合并處理。通過金字塔模塊，最大程度地融合特征聚合層。利用多尺度融合[11]將特征聚合層中存在的大感受野特征以及深層網絡中存在的高語義特征融合處理，由此完成煤礦井紅外熱成像多尺度融合特征提取。

2.2"檢測煤礦井紅外熱成像目標特征

提取到煤礦井紅外熱成像目標特征后，展開煤礦井紅外熱成像中的多尺度融合目標特征檢測。煤礦井內的物體在紅外熱成像中通常呈現出固定的形狀，紅外熱成像儀與目標物體的相對位置會對目標在紅外熱成像中的幾何特征產生直接影響。YOLOv5網絡預測層中紅外熱成像儀與目標物體的相對位置可以通過目標成像的幾何特征與角點信息呈現，且引入了CSPDarknet53作為骨干網絡，通過自適應的多尺度訓練和測試來適應不同大小的目標，使得主干網絡與特征金字塔融合得更緊密。與其他YOLO版本相比，YOLOv5具有更高的速度和檢測精度，因此結合YOLOv5網絡預測損失函數，將不同尺度的紅外熱成像目標特征融合[12-13]，實現檢測煤礦井紅外熱成像目標特征。

礦井內目標區域在紅外熱成像中通常呈固定形狀，目標區域的四個角點一般受到空間順序的限制，為此，設定四個角點的順序按照順時針方向，空間序列對目標特征檢測的約束為：

x1≤x2x4≤x3y1≥y2y3≥y4"（11）

其中，（x1，y1）、（x2，y2）、（x3，y3）、（x4，y4）分別表示紅外熱成像中目標物體預測框的四個角點對應的坐標。根據四個角點坐標，計算目標預測框中心點在紅外熱圖像中的坐標，如式（12）所示：

pxo=x2+x3－x1+x42pyo=y2+y3－y1+y42""（12）

在進行多尺度融合目標特征檢測時，需要考慮到交互比（IoU）的影響[14]，以保證包含目標特征的紅外熱成像與不包含目標特征的紅外熱成像的比例平衡。煤礦井的目標特征檢測具有特殊性，已有的交并比測評方法無法及時檢測到目標物體的真實框與預測框的重合角度以及方向，為解決上述問題，需要尋找目標物體與預測框的最小封閉框，此時交并比的損失G如式（13）所示：

G=1－ED1∩D2/D1+D2－D1∩D2+

DH－D1∪D2/DH（13）

其中，D1表示經過特征提取后的紅外熱成像目標物體在煤礦井紅外熱成像中所占的面積；D2表示煤礦井紅外熱成像中目標預測框的面積；DH表示目標物體與預測框形成的最小封閉框的面積。由式（13）可推出，煤礦井紅外熱成像目標框中心點置信度Zconf的預測如式（14）所示：

Zconf=∑zobjG"""（14）

其中，z（obj）為目標物體是否在預測框中的二值量。對紅外熱成像中目標框的長寬進行預測，如式（15）所示：

Zbox=μ∑Zconf［（pxo－G）2+（pyo－G）2+

（eo－o）2+（jo－o）2］（15）

其中，eo、jo為紅外熱成像目標物體預測框的規格；o、o為紅外熱成像中目標物體的規格；μ表示預測量的權重系數。

對紅外熱成像中目標類別Zclass的預測定義如式（16）所示：

Zclass=∑A·Zbox"（16）

其中，A表示檢測對象出現在紅外熱成像預測框中時，每個預測類別存在的概率（%）。

依據目標物體四個角點的坐標和序列約束，對目標物體的角點Zcorner展開預測，如式（17）所示：

Zcorner=μ∑Zclass""（17）

為了實現煤礦井紅外熱成像目標特征檢測，分別計算目標框中心點置信度預測Zconf損失值、目標框的長寬預測Zbox損失值、目標類別預測Zclass損失值、目標物體的角點預測Zcorner損失值[15]，其計算過程如式（18）所示：

Lconf=Zconf－Sconf

Lbox=Zbox－Sbox

Lclass=Zclass－Sclass

Lcorner=Zcorner－Scorner""（18）

式中，Sconf、Sbox、Sclass、Scorner分別表示目標框中心點置信度實際值、目標框的長寬實際值、目標類別實際值、目標物體的角點實際值。

由此可推出YOLOv5網絡預測損失函數，如式（19）所示：

L=Lbox+Lconf+Lclass+Lcorner""（19）

將提取到的紅外熱成像幾何特征輸入式（19）中，完成煤礦井紅外熱成像目標特征檢測。

3"實驗與分析

為了驗證煤礦井紅外熱成像中的多尺度融合目標特征檢測的整體有效性，需要對其展開測試。選擇一臺配備有NVIDIA"GPU的計算機，GPU的型號為NVIDIA"GTX"1060，并在該計算機中安裝Python"3.X環境。紅外熱成像工具選擇RS6780紅外熱成像儀，進行煤礦井紅外熱成像目標特征檢測實驗。煤礦井工作環境如圖4所示。

將紅外熱成像儀放置在煤礦井道側面，采集到的數據形式為視頻，利用抽幀得到500組640×480的紅外熱成像數據。

3．1"煤礦井紅外熱成像效果

由于受到亮度等因素的影響，采集到的煤礦井紅外熱成像清晰度較低，直接影響煤礦井紅外熱成像效果。為此，現采用所提算法、文獻[3]算法和文獻[4]算法對煤礦井紅外熱成像展開處理，不同算法的煤礦井紅外熱成像清晰度如圖5所示。

由圖5可知，原始紅外熱成像的清晰度較低，經文獻[3]和文獻[4]算法處理過的圖像仍存在噪聲，清晰度仍然較低。使用所提算法能夠有效清除原始紅外熱成像中存在的顆粒噪聲和條紋噪聲，提高了圖像的清晰度，表明所提算法的煤礦井紅外熱成像效果較好。主要是因為所提算法采用了基于自適應鄰域的噪聲抑制，通過最大類間方差法確定了最佳分割閾值，抑制了煤礦井紅外熱成像中的噪聲，具有較好的紅外熱成像效果。

3．2"煤礦井紅外熱成像目標特征檢測精度

選取某一時刻的煤礦井紅外熱成像，采用3種算法展開煤礦井紅外熱成像目標檢測。煤礦井紅外熱成像目標特征檢測結果如圖6所示。

由圖6可知，文獻[3]算法和文獻[4]算法的煤礦井紅外熱成像目標特征檢測結果中的目標框與實際人臉位置相差較大，且存在漏檢的問題，而所提算法能夠全部檢測到紅外熱成像目標特征，說明所提算法的煤礦井紅外熱成像目標特征檢測精度更高。這是因為所提算法通過煤礦井紅外熱成像預處理，去除了紅外熱成像中的干擾因素，增強了紅外熱成像，從而提高了煤礦井紅外熱成像目標特征檢測的精度。

3．3"煤礦井紅外熱成像目標特征檢測可靠性

在煤礦井紅外熱成像的目標特征檢測中，準確率P表示紅外熱成像的目標檢測值與目標真實值的比值；召回率R表示檢測的煤礦井紅外熱成像目標數量在所有目標中所占的比例。mAP計算可以驗證算法的可靠性，其中，AP是指PR曲線下方的面積。PR曲線下方的面積越大，說明該算法的煤礦井紅外熱成像目標特征檢測結果越可靠。

統計3種算法的準確率和召回率，得到的PR曲線圖如圖7所示。

由圖7中的PR曲線可知，所提算法對紅外熱成像目標特征檢測的準確率和召回率都高于文獻[3]算法和文獻[4]算法，且AP面積更大，表示所提算法的煤礦井紅外熱成像目標特征檢測的可靠性較高。這是因為所提算法利用多尺度融合技術，通過融合不同尺度的紅外熱成像目標特征，使得目標特征檢測結果更加可靠。

3．4"煤礦井紅外熱成像目標特征檢測時間

選取不同時刻的煤礦井紅外熱成像，分別命名為1、2、3、4、5、6、7、8、9、10。采用3種算法展開煤礦井紅外熱成像目標檢測，對比不同算法的檢測時間，如表1所示。

根據表1可知，文獻[3]算法和文獻[4]算法的平均檢測時間分別為15.5"ms和19.1"ms，而所提算法的平均檢測時間僅為9.1"ms，說明所提算法具有較高的檢測效率。

4"結"論

本文提出了煤礦井紅外熱成像中的多尺度融合目標特征檢測。該算法對礦井內的紅外熱成像展開降噪以及增強處理。利用多尺度融合技術，結合特征金字塔進行特征提取，結合YOLOv5網絡預測損失函數，實現煤礦井紅外熱成像目標特征檢測。經過實驗驗證，該算法有效提高了紅外熱成像的清晰度，說明所提算法的煤礦井紅外熱成像效果較好，目標特征檢測精度、效率和可靠性較高。

參考文獻

［１］"李團結，白光星，張琦，等.基于微色譜和正壓輸氣技術的煤礦自燃火災監測系統[J].煤礦安全，2022，53（11）：113-117.

［2］"孫繼平，范偉強.礦井紅外熱成像遠距離測溫誤差分析與精確測溫方法[J].煤炭學報，2022，47（4）：1709-1722.

［3］"李北明，金榮璐，徐召飛，等.基于特征蒸餾的改進GhostYOLOv5紅外目標檢測算法[J].鄭州大學學報（工學版），2022，43（1）：20-26.

［4］nbsp;趙洪山，張則言，孟航，等.基于高壓絕緣套管紋理特征的紅外目標檢測[J].紅外技術，2021，43（3）：258-265.

［5］"宋子壯，楊嘉偉，張東方，等.基于無監督域適應的低空海面紅外目標檢測[J].光學學報，2022，42（4）：127-134.

［6］"劉瑋.基于紅外成像的金屬表面缺陷視覺檢測方法研究[J].世界有色金屬，2019，531（15）：255-256.

［7］"曲海成，申磊.面向目標檢測的SAR圖像去噪和語義增強[J].光子學報，2022，51（4）：329-343.

［8］"王一竹，李淵，楊宇.基于人眼亮度感知的S型函數圖像對比度增強算法[J].電子科技大學學報，2022，51（4）：600-607.

［9］"李輝，王歡，王冬秀.基于改進深度森林的抗惡意代碼攻擊算法仿真[J].計算機仿真，2022，39（1）：353-357.

［10］彭濟耀，劉子楊，馮傳旭，等.面向交通標志檢測的尺度感知雙向特征金字塔網絡[J].計算機輔助設計與圖形學學報，2022，34（1）：133-141.

［11］陳欣，萬敏杰，馬超，等.采用多尺度特征融合SSD的遙感圖像小目標檢測[J].光學精密工程，2021，29（11）：2672-2682.

［12］許婷婷，傅俊瓊，羅昆.基于CNN和多尺度融合的駕駛員打電話行為檢測[J].計算機技術與發展，2022，32（2）：88-93.

［13］胡振宇，陳琦，朱大奇.基于顏色平衡和多尺度融合的水下圖像增強[J].光學精密工程，2022，30（17）：2133-2146.

［14］周華平，郭偉.改進YOLOv5網絡在遙感圖像目標檢測中的應用[J].遙感信息，2022，37（5）：23-30.

［15］馬躍坤，李再幃，趙彥旭，等.無砟軌道板表面裂縫的紅外熱成像檢測方法[J].鐵道科學與工程學報，2022，19（3）：579-587.