-
-
材质视觉特征是一种基于视觉机制的高阶综合特征, 描述了图像或图像区域对应目标的材质信息, 从中可以获取目标的材质属性及其性质[1].日常生活中, 我们会遇到各类的材质, 如木质、陶瓷、金属等, 这些材质信息具有广泛的物理性和功能性表达.通过视觉系统得到的材质视觉特征, 能够帮助我们在接触物体之前, 决定我们以何种接触方法更合适.同时, 该方法应用于机器人领域, 自主机器人可以通过视觉系统获取到物体的材质特征[2-3], 进一步决定抓取目标物体的发力控制.如果材质易碎, 需小心接触; 若材质密度较高, 则考虑使用更大的力量搬动.因此, 研究获取材质视觉特征空间具有重要的理论价值和广泛的应用前景.
近些年, 随着映射学习技术的兴起, 吸引了越来越多的研究人员开始从特征映射的角度着手, 获取图像目标的材质特征空间信息, 进而完成不同图像间目标材质视觉特征映射.传统的材质视觉特征映射方法是将这类问题看做图像的滤波问题, 而不进行材质视觉特征的显式分析. Khan等[4]利用简单的启发式算法, 从图像中获取图像的近似形状和光照, 并利用这些信息进行材质视觉特征映射. Boyadzhiev等[5]提出了几种滤波器, 能够改变图像的性质, 如光照和光泽度等.传统的方法虽然也能取得一定的效果, 使得映射后的图像具有逼真的效果, 但以上传统方法都未能对图像的材质视觉属性进行有效分析.
随着深度学习技术在各种计算机视觉任务中不断取得成功, 深度卷积神经网络也被用来获取材质视觉特征. Liu等[6]使用卷积神经网络对材质特征进行了识别与分类. Li[7]基于卷积神经网络和集成学习进行了材质的识别与分割. Zheng等[8]利用基于径向基函数的卷积神经网络进行超宽带探地雷达目标的材质识别. Tang等[9]提出了一种深度朗伯网络, 从单点光源的方向获取反射材质的属性, 并利用高斯受限的玻尔兹曼机模拟材质表面的反射率和方位. Richter等[10]使用随机森林从数据库中提取物体表面的材质块, 以获取具有均匀反射率的物体形状. Zhou等[11]利用卷积神经网络获取图像中两个像素间的相对材质性质, 之后进行约束优化, 以解决整幅图像的反射率问题. Narihira等[12]提出了一种直接从图像中获取反射率和阴影的卷积神经网络. Kulkarni等[13]在单个图像中使用变分自动编码器将视角、光照和其他固有特征(如形状、纹理等)分离出来. Rematas等[14]使用了两个独立的卷积神经网络, 从材质和光照的特征组合中, 将两种特征单独分离出来. Liu等[15]认为图像的形成过程, 是图像的重要特征(如形状、材质、光照等)相互影响和融合的结果.该算法通过模拟这一融合过程, 使用卷积神经网络, 将包括图像材质信息在内的特征信息分离了出来, 进而完成图像材质视觉特征的映射.
基于以上分析, 目前已有方法虽然在获取图像目标材质视觉特征, 进行特征映射的问题上取得了一定的效果, 但仍存在以下问题: 1)已有方法中所使用的图像数据, 均为依赖计算机图形学所生成的图像, 而对于无标签的自然场景图像, 仍然无法有效获取相应的材质视觉特征, 并进行特征映射; 2)由于材质视觉特征的自身属性, 光照信息在进行材质视觉特征映射过程中, 往往会带来一定的影响.例如, 不同的材质对光的反射效果不同, 不同的光照角度会有不同的材质视觉感受等; 3)目标与背景的相似性, 在材质视觉特征映射过程中, 同样也会带来一定的干扰, 导致不能准确地获取目标材质视觉特征空间.针对以上问题, 本文提出了一种基于循环生成对抗网络(Cycle-generative adversarial network, Cycle-GAN)[16]的自然场景图像目标材质视觉特征映射算法.
生成对抗网络(Generative adversarial network, GAN)[17-18]由一个生成器和一个判别器构成, 通过对抗学习的方式来训练, 已被广泛应用在人脸表情识别[19]、图像识别[20]等诸多领域.而循环生成对抗网络是以生成对抗网络为基础, 使用两个生成对抗网络组成循环生成结构, 在特征映射网络的学习训练过程中, 采用自然场景下的无标签图像作为训练数据, 形成无监督学习方式.同时, 在前期处理过程中加入了相应的处理方法, 有效避免了光照信息和背景相似性的影响.最终, 完成自然场景下不同目标间的材质视觉特征映射.
1. 本文所提算法
物体的材质视觉特征和物体的颜色、亮度、纹理、空间位置一样, 是物体的视觉固有属性[21].材质特征可以简单地看作是物体表面各可视特征属性的结合, 这些特征属性包括物体表面的纹理、色彩、光滑度、透明度、折射率等, 正是这些特征的有机融合, 构成了材质视觉特征这一高阶综合特征.
本文提出了一种基于循环生成对抗网络的自然场景图像目标材质视觉特征映射算法, 主要包括两个部分:图像前期预处理和构建材质视觉特征空间的映射网络, 所提算法整体框架如图 1所示.本文所提算法可对源域$ X $和目标域$ Y $中的图像同步实施操作.首先, 基于Retinex理论[22], 建立光照–反射模型, 将人眼观测到的原始图像认为是光照层图像和反射层图像的乘积, 进行光照层信息估计, 从原始图像中获取反射层图像, 能够更好地表征材质视觉特征, 避免了光照信息在材质视觉特征映射过程中的影响.然后, 对获取到的反射层图像进行前景、背景分割, 获取目标图像, 以减少背景相似性的影响.以上两部分均属于对图像的前期预处理过程, 目的是减少材质视觉特征在映射过程中所受到的干扰.最后, 构建循环生成对抗网络, 利用深度多层卷积的方式对材质特征进行无监督学习, 得到对图像目标材质视觉特征空间的高阶表达, 建立源域图像$ X $与目标域图像$ Y $之间关于材质视觉特征空间的映射网络.
1.1 基于Retinex理论的反射层图像获取
材质视觉特征可以被认为是决定光照如何与物体表面相互作用的属性.物体表面反射的灯光颜色、反射率、透明度和光泽度等都是构成物体表面材质的参数.不同的材质, 其物理组成是不同的, 这就导致其在不同的光照角度下, 具有不同的反射效果, 若直接进行材质特征的提取或识别, 光照信息就会具有较大的干扰性[23-24].
本文使用自然场景图像作为原始数据, 其所在场景的光照信息一般都较为复杂, 光照信息往往会在材质视觉特征空间的提取过程中带来较大的干扰, 进而导致材质视觉特征在映射过程中会出现较大的偏差.因此, 本文在前期的预处理过程中, 对自然场景图像进行了处理, 即选择基于色彩恒常性理论发展而来的Retinex理论[22]建立光照-反射模型, 对光照层信息进行估计, 从而分离图像的光照信息, 解决光照干扰的问题, 具体步骤如下:
1) 建立光照-反射模型.采用Land的视网膜理论(Retinex理论)[22]建立光照-反射模型.该理论认为图像的颜色是由入射光照射到目标物体, 并经由物体表面不同的反射系数反射到图像采集传感系统形成.已知图像在位置$ (x, y) $处的采样值$ I(x, y) $, 对影响图像采集过程中的光照信息$ L(x, y) $进行估计, 从而计算得到反射层图像. Retinex理论[22]应用在图像处理中, 将人眼观测到的原始图像认为是光照层图像和反射层图像的乘积:
$$ \begin{equation} I(x, y) = L(x, y)R(x, y) \end{equation} $$ (1) 转换为对数域描述:
$$ \begin{equation} {\rm ln} (I(x, y)) = {\rm ln}(L(x, y)) + {\rm ln} (R(x, y)) \end{equation} $$ (2) 其中, $ I(x, y) $为在位置$ (x, y) $的图像像素值, $ L(x, y) $表示光照信息, $ R(x, y) $表示图像中表征材质视觉重要特征的反射层图像信息.
2) 获取光照层信息.在进行光照层信息估计时, 使用双边滤波[25]得到光照层信息.双边滤波作为一种非线性滤波器, 具有边缘保护和降噪平滑的效果, 采用加权平均的方法, 用周边像素亮度值的加权平均代表某个像素的强度.同时, 双边滤波的权重不仅考虑了像素的欧氏距离, 还考虑了像素范围域中的辐射差异, 因而选用双边滤波可以更好地对原始图像的光照层信息进行计算:
$$ \begin{align} L(x, y) = &B{F}(I;{\sigma_s}, {\sigma_r}) = \\&\frac{1}{W} \sum\limits_{q\in\Omega }{{G_{{\sigma _s}}}(\left| {p - q} \right|)}{G_{{\sigma _r}}}(\left| {{I_p} - {I_q}} \right|){I_q} \end{align} $$ (3) 其中, $ B{F}(I; {\sigma_s}, {\sigma_r}) $表示双边滤波过程及其参数, $ I $为滤波图像, 参数$ {\sigma_s} $和$ {\sigma_r} $定义了双边滤波的尺寸大小; $ {I_p} $为$ p $点像素值, $ {I_q} $为$ q $点像素值; $ \Omega $表示整幅图像的范围; $ W $是归一化权重:
$$ \begin{equation} W = \sum\limits_{q \in \Omega } {{G_{{\sigma _s}}}(\left| {p - q} \right|)} {G_{{\sigma _r}}}(\left| {{I_p} - {I_q}} \right|) \end{equation} $$ (4) $ {G_{{\sigma_s}}}(x) $确定了与图像像素点位置相关的权重; $ {G_{{\sigma_r}}}(x) $确定了与图像像素值大小相关的权重.
3) 获取反射层图像.将图像从RGB颜色空间转换到HSV颜色空间, 可以得到色度(Hue)、饱和度(Saturation)以及亮度(Value)分量.相对于RGB颜色特征空间, HSV颜色特征空间能够直观地表达色彩的明暗、色调以及鲜艳程度, 而光照对图像的影响则主要集中表现在亮度分量的变化上.基于以上分析, 本文在亮度分量上建立光照-反射模型, 获取反射层图像, 保持色度以及饱和度分量信息不变.
1.2 目标图像获取
已有的材质视觉特征映射算法, 所使用的图像数据均为使用计算机图形学的方式所生成图像, 这类图像数据的特点除每一幅图像都有相应的标签数据外, 其背景环境也相对简单.本文所使用的图像数据均为自然场景图像, 背景往往相对复杂, 其目标与背景也具有一定的相似性.这些干扰因素, 同光照信息一样, 都会在材质视觉特征的映射过程中带来一定的影响.为解决这个问题, 本文在进行网络训练前, 对获取的反射层图像进行前景、背景分割, 获取目标图像.同时, 考虑到本文所使用的数据图像均来源于互联网, 整体数据量较小, 为满足深度学习对训练数据的要求, 在网络的训练阶段, 还需对获取的目标图像采取一系列措施来扩充训练数据库, 具体步骤如下:
1) 前景、背景分割.采用GraphCut分割算法[26]对获取的反射层图像进行前景、背景分割, 获取目标图像, 以避免背景因素在材质视觉特征映射过程中的干扰.
2) 数据集扩充.从互联网中采集自然场景图像来建立数据库, 并对获取的目标图像进行翻转、随机裁剪等操作来扩充数据集, 得到最终的训练数据集, 整体的预处理过程如图 2所示.
1.3 材质视觉特征映射网络
本文所提出的算法, 与已有材质视觉特征映射算法最大的区别在于, 其使用的原始数据为依据计算机图形学所生成的图像, 而本文算法使用自然场景下无标签图像作为原始数据, 导致一般的深度学习网络无法有效获取材质视觉特征空间.为解决上述问题, 本文采用循环生成对抗网络[16], 在生成对抗网络[17-18]的基础上, 使用两个生成对抗网络构成循环生成机制, 以强化材质视觉特征学习能力.在训练过程中, 不使用标签信息对网络进行指导, 从而构成无监督学习模型.采用从自然场景图像中获取的反射层目标图像作为训练数据, 得到对目标材质视觉特征空间的高阶表达, 建立源域图像$ X $与目标域图像$ Y $间关于材质视觉特征空间的映射网络, 将源域图像$ X $的材质视觉特征映射到目标域图像$ Y $的材质视觉特征上, 使目标域图像$ Y $具有源域图像$ X $的材质视觉特征信息.整体的网络结构包括两个生成网络$ G(\cdot)\!:x \to y $和$ F(\cdot)\!:y \to x $以及两个判别网络$ {D_X} $和$ {D_Y} $.其中, 生成网络$ G(\cdot) $和$ F(\cdot) $具有相同的网络结构, 以学习构建材质视觉特征映射网络, 得到材质视觉特征映射后的图像.同样, 两个判别网络$ {D_X} $和$ {D_Y} $也具有相同的网络结构, 以判别生成图像与真实图像.
1.3.1 判别网络
判别网络用来对输入的图像进行判别分类, 得到正确的判别概率.整个判别网络结构如图 3所示, 具体包括一个输入层、4个卷积层、1个全连接层和一个输出层.为降低输入与初始化对参数更新的影响, 加快训练速度, 在判别网络中加入批标准化处理(BatchNorm)[27], 并进行LeakyReLU激活函数操作.输入层将生成图像和真实图像分别送入判别网络中, 利用卷积神经网络对输入信息进行多层感知, 得到表征输入信息属性的高阶特征, 经过全连接层后连接到输出层, 通过激活函数Sigmoid进行分类判别.
1.3.2 生成网络
生成网络用来完成对材质视觉特征的提取, 并完成特征空间的映射过程.整个生成网络结构如图 4所示, 具体包括4个卷积层、2个去卷积层、9个残差网络块(ResNet)[28].在生成网络的构造过程中, 从视觉感知的角度出发, 考虑图像目标材质视觉特征空间的提取和映射过程, 将生成网络分为编码、映射和解码三大主要组成部分.
首先, 编码部分利用卷积神经网络对材质特征空间进行逐层抽象化, 并结合ReLU激活函数对相关特征信息进行融合和特征提取, 得到自然场景图像中材质视觉特征空间的高阶表达.其次, 映射部分使用残差网络块[28]建立特征空间的映射网络, 用来加强网络层间的联系, 避免特征信息在映射过程中丢失.最后, 利用去卷积网络[29]对抽象特征进行感知分解, 通过ReLU激活函数融合特征得到特征映射后的图像.
1.3.3 损失函数
在训练循环生成对抗网络时, 为指导网络的学习, 保障网络输入量与输出量间的关系, 可结合网络结构的特殊性以及图像目标材质视觉特征的独特性, 将损失函数设定为:
$$ \begin{align} L(G, F, {D_X}, &{D_Y}) = \alpha\cdot ({L_{GAN}}(G, {D_Y}, X, Y)+\\ &{L'_{GAN}}(F, {D_X}, Y, X))+\\ &\beta\cdot {L_{cyc}}(G, F)+\gamma\cdot {L_{perceptual}} \end{align} $$ (5) 其中, $ \alpha $、$ \beta $、$ \gamma $分别表示三项损失所占的权重, 在本文中, 分别设定$ \alpha = 1 $, $ \beta = 8 $, $ \gamma = 5 $. $ {L_{perceptual}}(\cdot) $为感知损失[30], 其结构如图 5所示.
$ {L_{GAN}}(G, {D_Y}, X, Y) $和$ {L'_{GAN}}(F, {D_X}, Y, X) $分别表示生成网络$ G(\cdot)\!:X \to Y $及其判别网络$ {D_Y} $和生成网络$ F(\cdot)\!:Y \to X $及其判别网络$ {D_X} $, 在传统生成对抗网络下的损失函数:
$$ \begin{align} {L_{GAN}}(G, &{D_Y}, X, Y) = {E_{y \sim{p_{data}}(y)}}[\log{D_Y}(y)]+\\ &{E_{x \sim {p_{data}}(x)}}[\log (1 - {D_Y}(G(x)))] \end{align} $$ (6) $$ \begin{align} {L'_{GAN}}&(F, {D_X}, Y, X) = {E_{x\sim{p_{data}}(x)}}[\log{D_X}(x)]+\\ &{E_{y \sim {p_{data}}(y)}}[\log (1 - {D_X}(F(y)))] \end{align} $$ (7) $ {L_{cyc}}(G, F) $表示循环生成对抗网络结构中, 前向循环过程$ x \to G(x) \to F(G(x)) \approx x $的损失和后向循环过程$ y \to F(y) \to G(F(y)) \approx y $的损失, 其结构如图 6所示, 具体表示为:
$$ \begin{align} {L_{cyc}}(G, F) = &{E_{x\sim{p_{data}}(x)}}[{\left\|{F(G(x)-x)} \right\|_1}]+\\ &{E_{y \sim {p_{data}}(y)}}[{\left\| {G(F(y) - y)} \right\|_1}] \end{align} $$ (8) 2. 实验结果与分析
本文自行建立数据库, 从互联网中采集了四种具有不同材质视觉特征的自然场景图像, 分别为青白瓷器、陶器、玉器以及青铜器, 每类图像为500幅.为验证所提算法的有效性, 在所构建数据集上与当前一些主流的特征映射算法Gatys[31]、Li[30]、VAT[32]进行了主、客观实验对比.其中, Gatys[31]使用卷积神经网络的方式将整个特征映射过程分为了内容重建与特征重建, Li[30]则建立了感知损失网络, 获取整个特征重建所需的损失函数, 而VAT[32]则把图像块匹配和特征重建从图像领域扩充到了特征领域.本文实验依赖于Pytorch0.4, 计算平台CPU为Intel(R) Core(TM) i7-6700, GPU为NVID IA GTX1070 8 GB显存, 使用Ubuntu16.04系统.在训练网络的过程中, 进行5 000次迭代, 学习率设定为0.002.
2.1 主观结果分析
根据从互联网中采集到的四种具有不同材质视觉特征的自然场景图像, 本文一共设计了四类材质视觉特征映射, 分别为从青白瓷映射到青铜器, 陶器映射到青白瓷, 青铜器映射到玉器以及从陶器映射到青铜器.图 7所示是本文算法与对比算法Gatys[31]、Li[30]、VAT[32]的主观实验效果, 从图中可以看出, 对比算法在对自然场景图像目标进行材质视觉特征映射时, 均存在一定程度上的颜色偏差或目标偏离, 而本文算法在保持图像目标完整性的基础上, 具有良好的材质视觉特征映射效果, 并在各类材质视觉特征中都具有一定的效果, 可以准确地映射得到材质视觉特征.
2.2 客观结果分析
本文采用自然场景图像作为原始数据, 在进行材质视觉特征映射后, 由于得到的图像在自然界中并不真实存在, 所以基于有参考图像的客观评价标准在本文中并不适用.为解决这个问题, 本文对映射生成的图像采用客观质量评价指标进行比较, 分别选取局部信息熵、平均梯度以及两种近年来具有代表性意义的无参考图像质量评价方法IL-NIQE[33]和MEON[34]对本文算法和对比算法进行客观评价.其中, 局部信息熵通常用来衡量图像中信息的丰富程度, 平均梯度可以用来表示图像的相对清晰度. IL-NIQE[33]是一种完全无参考图像质量评价方法, 预先使用大量的优质自然场景图像, 建立依据NSS特征的MVG模型, 在将待测图像的NSS特征和MVG模型比较, 最终得到待测图像的质量, 而MEON[34]结合深度学习技术, 使用一个失真判别网络和一个质量判别网络来实现无参考图像的质量评价.
表 1为本文算法与对比算法在平均梯度和局部信息熵上的对比结果, 表 2为在图像质量评价方法IL-NIQE[33]和MEON[34]上的对比结果.其中, mAP表示四类材质视觉特征映射客观评价标准的平均值, 避免使用单一种类进行评价所带来的误差.实验结果表明, 本文算法与对比算法相比, 具有更高的局部信息熵和平均梯度, 更低的IL-NIQE[33]和MEON[34]值, 说明进行材质视觉特征映射后图像的信息丰富程度、清晰度相对更高, 具有更好的图像质量.
表 1 平均梯度与局部信息熵对比结果Table 1 Comparison in terms of both the average gradient and the local information entropy对比方法 青白瓷映射到青铜器 陶器映射到青白瓷 青铜器映射到玉器 陶器映射到青铜器 mAP 平均梯度 局部信息熵 平均梯度 局部信息熵 平均梯度 局部信息熵 平均梯度 局部信息熵 平均梯度 局部信息熵 Gatys[31] 0.020 3.470 0.030 3.884 0.024 3.457 0.022 3.937 0.024 3.687 Li[30] 0.017 4.425 0.030 4.134 0.023 3.906 0.042 4.956 0.028 4.356 VAT[32] 0.025 4.279 0.043 4.391 0.031 4.368 0.101 4.639 0.050 4.419 Ours 0.042 4.796 0.056 4.554 0.029 4.652 0.117 4.462 0.061 4.616 表 2 IL-QINE与MEON对比结果Table 2 Comparison in terms of both the IL-QINE and the MEON对比方法 青白瓷映射到青铜器 陶器映射到青白瓷 青铜器映射到玉器 陶器映射到青铜器 mAP IL-QINE MEON IL-QINE MEON IL-QINE MEON IL-QINE MEON IL-QINE MEON Gatys[31] 61.946 50.513 69.141 25.403 54.519 22.457 49.441 38.496 58.762 34.217 Li[30] 57.231 42.357 52.973 40.510 48.956 55.490 43.268 42.449 50.607 45.201 VAT[32] 52.932 16.013 50.618 51.271 50.280 45.226 45.257 29.625 49.771 35.534 Ours 46.689 17.309 49.372 6.709 47.817 12.917 43.021 14.955 46.725 12.973 主、客观实验结果表明, 本文所提算法能够有效的获取自然场景图像目标材质视觉特征, 抑制无用信息的干扰和影响, 较为真实地映射得到材质视觉特征信息.在完成特征映射的同时, 可以有效地保持场景的原有结构, 所得结果较同类特征映射算法具有更好的主、客观效果.
3. 结论
本文提出了一种自然场景图像的目标材质视觉特征映射算法, 运用获取的目标反射层图像, 通过在生成对抗网络技术上加入循环结构, 构成循环生成对抗网络来获取材质视觉特征空间, 继而完成特征映射, 得到材质视觉特征映射后的图像.主、客观对比实验表明, 所提算法在保持原有图像目标不变的基础上, 能够有效地完成材质视觉特征映射, 与同类算法相比, 具有更好的图像质量效果.
-
[1] 付学谦, 周亚中, 孙宏斌, 郭庆来. 园区农业能源互联网在线安全分析: 评述与展望. 中国电机工程学报, 2020, 40(17): 5404−5411 [2] 龚钢军, 张哲宁, 张心语, 高爽, 苏畅, 陆俊. 分布式信息能源系统的耦合模型、网络架构与节点重要评估. 中国电机工程学报, 2020, 40(17): 5412−5425 [3] 张占强, 窦春霞, 岳东, 张博, 张怀品. 考虑通信时延的事件触发电压分布式协同控制. 中国电机工程学报, 2020, 40(17): 5426−5434 [4] 王海洋, 李珂, 张承慧, 马昕. 基于主从博弈的社区综合能源系统分布式协同优化运行策略. 中国电机工程学报, 2020, 40(17): 5435−5444 [5] 乐健, 周谦, 赵联港, 尤梦凯. 考虑个体欺骗的有源配电网, 2020, 40(17): 5445−5453 [6] 韩赫, 张沛超, 孙宏宇, 程亦直. 能量流−信息流−价值流协同的区域热系统分散式能量管理方法. 中国电机工程学报, 2020, 40(17): 5454−5466 [7] 李浩, 钟声远, 王永真, 赵军, 李敏霞, 朱介北. 基于能力与信息耦合的分布式能源系统配置优化方法. 中国电机工程学报, 2020, 40(17): 5467−5475 [8] 李雪, 孙霆锴, 侯恺, 姜涛, 陈厚合, 李国庆, 贾宏杰. 地震灾害下海岛综合能源系统韧性评估方法研究. 中国电机工程学报, 2020, 40(17): 5476−5492 [9] 姜庆超, 颜学峰. 基于局部−整体相关特征的多单元化工过程分层监测. 自动化学报, 2020, 46(9): 1770−1782 [10] 胡旭光, 马大中, 郑君, 张化光, 王睿. 基于关联信息对抗学习的综合能源系统运行状态分析方法. 自动化学报, 2020, 46(9): 1783−1797 [11] 平作为, 何维, 李俊林, 杨涛. 基于稀疏学习的微电网负载建模. 自动化学报, 2020, 46(9): 1798−1808 [12] 滕菲, 单麒赫, 李铁山. 智能船舶综合能源系统及其分布式优化调度方法. 自动化学报, 2020, 46(9): 1809−1817 [13] 席磊, 周礼鹏. 分布式多区域多能微网群协同AGC算法. 自动化学报, 2020, 46(9): 1818−1830 [14] 李玉帅, 李天义, 高炜, 高文忠. 基于异步动态事件触发通讯策略的综合能源系统分布式协同优化运行方法. 自动化学报, 2020, 46(9): 1831−1843 [15] 夏元清, 高润泽, 林敏, 任延明, 闫策. 绿色能源互补智能电厂云控制系统研究. 自动化学报, 2020, 46(9): 1844−1868 期刊类型引用(3)
1. 罗征，张县，孙雨. 数字化藏书激光存贮检索信息类目映射方法. 信息技术. 2024(03): 122-127 . 
百度学术2. 张波，胡勇军. 平面视觉图像舒适色度范围测量算法研究. 计算机仿真. 2022(03): 462-465 . 百度学术3. 芶小珊，黄兴禄，王文杰. 模板匹配下图像局部视觉背景分割方法仿真. 计算机仿真. 2022(12): 235-239 . 百度学术其他类型引用(2)
-
下载:
下载:
计量
- 文章访问数: 1147
- HTML全文浏览量: 547
- PDF下载量: 284
- 被引次数: 5
