基于超像素分割的石化储罐锈蚀检测方法

田利; 韩金泽; 许可; 刘成艳; 孙凌宇

doi:10.12404/j.issn.1671-1815.2503910

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (16) :6861-6866 DOI: 10.12404/j.issn.1671-1815.2503910

石油、天然气工业

基于超像素分割的石化储罐锈蚀检测方法

田利 ¹ ,
韩金泽 ¹ ,
许可 ² ,
刘成艳 ³ ,
孙凌宇 ³

作者信息 +

Petrochemical Storage Tank Corrosion Detection Method Based on Super-pixel Segmentation

TIAN Li ¹ ,
HAN Jin-ze ¹ ,
XU Ke ² ,
LIU Cheng-yan ³ ,
SUN Ling-yu ³

Author information +

文章历史 +

摘要

石化储罐在长期使用过程中易受内外环境的侵蚀,导致泄漏事故发生,对生态环境、国民经济及居民安全造成重大隐患。目前,深度学习和传统图像处理方法等机器视觉技术在锈蚀的检测与识别上仍存在一定局限,其识别结果通常缺乏客观定量标准。针对上述问题,提出一种基于超像素分割的石化储罐锈蚀检测方法。通过搭建轻型卷积神经网络模型(lightweight convolutional neural networks,LCNN),使用简单线性迭代聚类算法(simple linear iterative clustering,SLIC)对图像初步分割并生成超像素,随后采用融合纹理核的全连接条件随机场算法(conditional random field,CRF)对锈蚀进行准确分割,并利用RGB(red-green-blue)颜色空间判断锈蚀程度。实验表明,相比于深度学习和传统图像处理等检测方法,运用基于超像素分割的石化储罐锈蚀检测方法,可在一定程度上提高对石化储罐锈蚀的检测效率和精准性。

Abstract

Petrochemical storage tanks are susceptible to long-term erosion from internal and external environments during service, which poses significant risks to ecological safety, national economy, and residential security. Current machine vision technologies including deep learning and traditional image processing show limitations in corrosion detection and identification, with recognition results generally lacking objective quantitative standards. Aiming at the above problems, a rust detection method for petrochemical storage tanks based on super-pixel segmentation was proposed. By building a lightweight convolutional neural networks (LCNN) model, the image was initially segmented and super-pixels were generated using simple linear iterative clustering (SLIC) algorithm, and then the fusion of fully connected conditional random field (CRF) algorithm with texture kernel was used to accurately segment the rust and determine the degree of rust using red-green-blue (RGB) color space. The experiments show that compared with the detection methods such as deep learning and traditional image processing, the petrochemical storage tank rust detection method based on super-pixel segmentation can improve the detection efficiency and accuracy of petrochemical storage tank corrosion to a certain extent.

Graphical abstract

关键词

锈蚀检测 / 超像素分割 / 轻量化网络 / 石化储罐

Key words

corrosion detection / super-pixel segment / lightweight network / petrochemical storage tank

引用本文

引用格式 ▾

田利, 韩金泽, 许可, 刘成艳, 孙凌宇. 基于超像素分割的石化储罐锈蚀检测方法[J]. 科学技术与工程, 2026, 26(16): 6861-6866 DOI:10.12404/j.issn.1671-1815.2503910

TIAN Li, HAN Jin-ze, XU Ke, LIU Cheng-yan, SUN Ling-yu. Petrochemical Storage Tank Corrosion Detection Method Based on Super-pixel Segmentation[J]. Science Technology and Engineering, 2026, 26(16): 6861-6866 DOI:10.12404/j.issn.1671-1815.2503910

登录浏览全文

4963

注册一个新账户忘记密码

石化储罐在长期使用的过程中,会受到与储罐直接接触的内部物质与外部自然环境的腐蚀。初始阶段可能仅表现出轻微的腐蚀迹象,但随着时间的推移,腐蚀程度逐渐加剧,导致腐蚀现象愈加严重。加之内外罐壁受力不均等因素影响,罐壁将逐渐变薄,甚至出现锈蚀穿孔、开裂。若长期缺乏检测维护,最终可能导致储罐泄漏事故^[1]。为了有效预防和避免储罐锈蚀问题,确保其长期稳定运行,必须定期实施锈蚀检测与维护^[2-3]。目前,中外学者围绕锈蚀检测已提出多种方法。Huang等^[4]基于采集图像的特征增强与目标分割,提出了石化储罐锈蚀状态识别方法。Pan等^[5]基于平衡K均值聚类算法,通过调控K均值目标函数中的公平性约束和平衡性约束,提升了对形状规则锈蚀的聚类效果。Xu等^[6]基于FFT算法,设计了频域特征变换层,通过增强低光图像提升了低照度下锈蚀识别性能。Bembenek等^[7]综合多类图像分割技术,结合支持向量机与RGB颜色空间,实现了不同环境下涂层表面锈蚀损伤的鲁棒检测。Trivedi等^[8]引入HSI颜色空间(hue-saturation-intensity,HSI),融合K均值聚类和图像分割算法,实现了锈蚀区域检测与锈蚀区域分割。

目前,深度学习和传统图像处理方法等机器视觉技术已在锈蚀检测领域广泛应用,但现有方法的识别结果通常缺乏客观定量标准^[9]。为此,提出一种基于超像素分割的石化储罐锈蚀检测方法。通过搭建轻型卷积神经网络模型,使用简单线性迭代聚类算法(simple linear iterative clustering,SLIC)对图像进行初步分割并生成超像素,随后采用融合纹理核的全连接条件随机场算法(conditional random field,CRF)对锈蚀进行准确分割,并利用RGB颜色空间判断锈蚀程度,实现了基于超像素分割的石化储罐锈蚀视觉检测。

1 卷积神经网络的优化

1.1 搭建轻型卷积神经网络模型

卷积神经网络模型(convolutional neural network,CNN)由输入层、卷积层、池化层和输出层组成,其模型结构如图1所示。卷积层的主要作用是从输入图像中提取关键特征,这一过程能够确保重要的预测特征不会丢失,同时使得图像更简洁,便于后续处理。池化层用于减少输入图像的尺寸,通常通过采样的方式来实现降维,从而降低计算的复杂度和所需的运算量。

为了高效完成模型训练和预测,需要依托高性能的计算硬件,尤其是在进行CNN的复杂计算和处理大规模数据时,硬件支持显得尤为重要。高性能的硬件资源和强大的计算能力通常伴随着较高的成本,因而经济性较差。这使得常规的嵌入式移动设备难以高效运行这些复杂的卷积神经网络模型^[10]。因此,搭建轻型卷积神经网络(lightweight convolutional neural networks,LCNN)模型,可占用较低的内存,并且训练速度较快,LCNN结构如图2所示。

已构建的网络模型由五层卷积层组成,图像特征提取网络的前两层卷积层主要用于捕捉图像中的基础视觉元素,第三层卷积层开始识别更加复杂的纹理特征,第四层则进一步分离这些特征,以提取具备明显类别区分能力的特征,第五层卷积层主要负责抓取图像的整体特征。将卷积核尺寸设定为3×3,步长为1,以此降低卷积层的计算量,同时为了使图像的特征更加容易识别,可以增加卷积层的通道数。用Relu函数对卷积运算后输出的内容进行再次处理。在池化层中,卷积核尺寸为2×2,步长为2,图像被最大池化处理后,会被转换为低维向量,第一个全连接层包含128个节点,第二个全连接层包含84个节点,继续使用Relu函数优化。最后是分类器,设置2个节点,用于生成二分类结果,在模型结构完成后,利用一个包含大量图像的数据集进行训练,包括锈蚀图像和无缺陷图像,以优化模型的分类精度。

1.2 锈蚀缺陷度量函数阈值设定

石化储罐锈蚀缺陷检测要求在室外实现实时检测,为提高检测工作的抗干扰能力并确保能够实时检测,选择角度相似系数度量图像特征的相似性来实现区分锈蚀缺陷图像和无锈蚀缺陷图像的功能。

选择500幅正常石化储罐表面图像作为样板图像,300幅有锈蚀缺陷的石化储罐表面图像与正常石化储罐表面图像用作测试。使用搭建的轻型卷积神经网络模型提取测试图像与样板图像的特征,度量测试图像与样板图像之间的相似性并绘制图像特征相似性曲线。根据图像特征相似性曲线设定区分有锈蚀缺陷图像与无锈蚀缺陷图像的度量函数阈值。包含两条曲线最值的部分图像特征相似性曲线如图3所示。

图像特征相似性曲线表明,在使用角度相似系数度量石化储罐图像的特征时,有锈蚀缺陷的石化储罐表面图像与正常石化储罐表面图像的相似性数值范围有明显不同。因此,将度量函数阈值确定为0.68。若图像的度量结果大于0.68,则该图像无锈蚀缺陷;反之,则该图像有锈蚀缺陷。

2 基于超像素分割提取锈蚀图像

2.1 基于SLIC算法的超像素分割方法

锈蚀在颜色上具有特定规律,可以根据该特性在颜色空间中对像素进行聚类操作以实现分割。SLIC算法根据图像像素在色彩和平面上的相似度,在五维特征空间中小范围聚类以生成超像素^[11]。使用SLIC算法对图像生成超像素并进行初步分割,随后利用融合纹理特征的改进全连接CRF算法精准分割锈蚀图像。

在初步分割图像时,如果需要生成的超像素总数为K,则在聚类过程中产生K个聚类中心,超像素的边长s=$\sqrt{N/K}$,其中N为图像中像素的总数。随后在聚类中心周边取边长为2S的正方形区域,在区域内开展多次迭代聚类。

迭代聚类的标准度量距离D的计算公式为

(1)$ D=\sqrt{\left(\frac{d_{\mathrm{c}}}{m}\right)^{2}+\left(\frac{d_{\mathrm{s}}}{s}\right)^{2}}$

(2)$ \left\{\begin{array}{l}d_{\mathrm{c}}=\sqrt{\left(\boldsymbol{l}_{j}-\boldsymbol{l}_{i}\right)^{2}+\left(\boldsymbol{a}_{j}-\boldsymbol{a}_{i}\right)^{2}+\left(\boldsymbol{b}_{j}-\boldsymbol{b}_{i}\right)^{2}} \\d_{\mathrm{s}}=\sqrt{\left(x_{j}-x_{i}\right)^{2}+\left(y_{j}-y_{i}\right)^{2}}\end{array}\right.$

式中:x_i为像素i的横坐标;y_i为像素i的纵坐标;x_j为像素j的横坐标;y_j为像素j的纵坐标;a_i、b_i、l_i为像素i在L^*a^*b^*空间中的颜色向量;a_j、b_j、l_j为像素j在L^*a^*b^*空间中的颜色向量;L^*、a^*、b^*分别为像素在颜色空间中的亮度系数、在红绿方向上的分量、在黄蓝方向上的分量;m为调节色彩相似度与平面相似度权重的系数,当m增大时,聚类时对色彩的敏感度会降低,超像素的形状较为规则。

2.2 融合纹理核的改进条件随机场

在CRF的理论基础上,将超像素作为基本观测单元,并以此作为节点,将它们之间的相互关系定义为边,从而形成一个完整的全连接CRF模型^[12]。基于CRF模型与吉布斯分布所具有的内在一致性原理,对于超像素的观测标签序列的模拟过程可表示为

(3)$ P(x)=\frac{1}{Z} \exp [-E(x)]$

(4)$ E(x)=\sum_{i} \psi_{\mathrm{u}}\left(x_{i}\right)+\sum_{i<j} \psi_{\mathrm{p}}\left(x_{i}, x_{j}\right)$

式中:Z为标准化因子;E(x)为吉布斯能量函数,该函数用于衡量系统在特定状态下的能量水平,其中变量x指代的是标签分配情况;P为超像素出现的联合概率分布;i为第i个超像素;ψ_u为一元势能函数;ψ_p为二元势能函数。

一元势能函数ψ_u(x_i)=-logP(x_i)表示第i个超像素依据分类器所得出的标签分配概率。二元势能函数ψ_p(x_i,x_j)的表达式为

(5)$ \begin{aligned}\psi_{\mathrm{p}}\left(x_{i}, x_{j}\right)= & u\left(x_{i}, x_{j}\right)\left[w^{(1)} \exp \left(-\frac{\left|d_{\mathrm{a} i}-d_{\mathrm{a} j}\right|^{2}}{2 \theta_{\gamma}^{2}}\right)+\right. \\& \left.w^{(2)} \exp \left(-\frac{\left|d_{\mathrm{a} i}-d_{\mathrm{a} j}\right|^{2}}{2 \theta_{\alpha}^{2}}-\frac{\left|l_{i}-l_{j}\right|^{2}}{2 \theta_{\beta}^{2}}\right)\right]\end{aligned}$

式(5)中:ψ_p(x_i,x_j)为在全连接CRF模型中通过高斯核定义的两类关键内核,即平滑核与外观核;d_a_i为直接接触的超像素之间的实际距离;l_i、l_j为量化超像素颜色特性的特征向量;w为平滑核与外观核的权重;θ_α、θ_β、θ_γ为外观核中的超参数,在模型中描述相邻位置涌现不同类别标签的概率特性;u(x_i,x_j)为标签兼容性函数,其数学表达式为

(6)$ u\left(x_{i}, x_{j}\right)=\left\{\begin{array}{ll}1, & x_{i} \neq x_{j} \\0, & x_{i}=x_{j}\end{array}\right.$

在深入研究储罐表面图的过程中发现,锈蚀区域的超像素相较于非锈蚀区域的超像素纹理特征层面呈现出显著差异。因此,在二元势能函数中加入纹理核,表达式为

(7)$ \begin{aligned}\psi_{\mathrm{p}}\left(x_{i}, x_{j}\right)= & u\left(x_{i}, x_{j}\right)\left[w^{(1)} \exp \left(-\frac{\left|d_{\mathrm{a} i}\right|-d_{\mathrm{a} j}}{2 \theta_{\gamma^{2}}}\right)+\right. \\& w^{(2)} \exp \left(-\frac{\left|d_{\mathrm{a} i}-d_{\mathrm{a} j}\right|^{2}}{2 \theta_{\text {平浪 }}^{2}}-\frac{\left|l_{i}-l_{j}\right|^{2}}{2 \theta_{\beta}^{2}}\right)+ \\& \left.w^{(3)} \exp \left(-\frac{\left|d_{\mathrm{a} i}-d_{\mathrm{a} j}\right|^{2}}{2 \theta_{\alpha}^{2}}-\frac{\left|h_{i}-h_{j}\right|^{2}}{2 \theta_{\tau}^{2}}\right)\right]\end{aligned}$

式(7)中:h_i、h_j为表征超像素的纹理特征向量;w⁽³⁾为纹理核的权重参数,平衡纹理特征在算法中的作用;θ_τ为纹理核中的超参数。

将纹理特征融入全连接CRF模型后,其对图像中锈蚀部分的超像素的识别更为准确,从而精准分割锈蚀。

2.3 针对支持向量机的分割优化

锈蚀部分在图像I中的特征向量组F(S,I)可以表示为F(S,I)=[F₀(S,I),F₁(S,I),…,F_L(S,I)]。其中,S为锈蚀中心超像素,F₀为其特征向量;和超像素S直接接触的为邻域Ⅰ,F₁为邻域Ⅰ的特征向量,参数L用于精准指示邻域的层级数目。邻域与超像素递推关系如图4所示。

支持向量机(support vector machine,SVM)处理二类分值问题时聚焦高维特征空间,以求解出一个能够实现最佳数据分离效果的超平面,以实现数据的分离^[13]。在分析储罐表面锈蚀图像时,样本数量较少是常见问题,而SVM分类器具备较强的泛化能力,适合用于小样本的图像处理问题。

在超像素分类技术研究范畴内,由于分类器在执行任务时往往遵循独立分类原则,这可能会在储罐背景中由于错分现象产生孤立超像素。为了避免这种现象,利用已有的改进全连接CRF模型,平均场近似处理得到最小化能量函数E(x)。将锈蚀图像中心超像素及各级邻域的特征向量归一化。随后用SVM分类器进行训练分类,根据K取5的K-fold交叉验证获取SVM的参数。同时得出,当级联较多层时,图像处理的准确率降低,因此将级联层数取1。

在完成分类器的配置后,处理采集的石化储罐图像。储罐原始图像和SVM优化前后的分割图像对比示例如图5所示。

3 储罐锈蚀程度的识别方法

3.1 基于RGB颜色空间的锈蚀程度量化

储罐表面锈蚀区域的颜色是评估锈蚀程度的主要因素,而使用RGB颜色空间对锈蚀分析时,锈蚀的颜色特征表现的最为明显^[14]。RGB颜色空间是一个基于三维直角坐标系的色彩表征体系,其相互垂直的3个轴分别表征红色、绿色和蓝色三种原色,如图6所示,正方体与坐标原点重合的角为黑色,与其相距最远的角为白色,剩余的三个角代表三种二次色,即青色、品红色、黄色^[15]。

对一定数量的储罐锈蚀图像研究后发现,R-G的数值差对锈蚀程度的识别影响较大。当R-G的数值大于零时,像素表现为棕红色,且该数值差与颜色深度成正相关。为了更好地识别锈蚀,定义锈蚀面积比(CRA)、锈蚀色指数(CLI)和锈蚀度指数(RD_i)三个参数辅助分析。在获取经处理图像后,计算锈蚀部分的总像素。CRA的定义为

(8)$ \mathrm{CRA}=\frac{\sum_{i=1}^{n} A_{i}}{A}$

式(8)中:A_i为第i锈蚀区包含的总像素数;n为锈蚀区域的图像数;A为像素数。

CLI的计算公式为

(9)$ \mathrm{CLI}=\frac{R-G}{\sqrt{R^{2}+G^{2}+B^{2}}}$

式(9)中:R为红色在RGB颜色空间中的值;G为绿色在RGB颜色空间中的值;B为蓝色在RGB颜色空间中的值。

经实验得出参数CLI与外观级数的对应关系如下:当0<CLI≤0.5为表层变化,此时物体表面仅发生轻微的色泽变化;0.5<CLI≤1.5为极浅腐蚀,物体表面开始显现出较为明显的浅层腐蚀迹象;1.5<CLI≤3为中等腐蚀,腐蚀现象在物体表面已有一定深度和广度的扩散;3≤CLI为深度腐蚀,腐蚀区域深入物体内部,破坏程度较为严重。

为了分析锈蚀程度,又引入锈蚀度指数RD_i,定义为

(10)$\mathrm{RD}_{i}=\frac{\operatorname{Max}(\mathrm{CLI})}{\mathrm{CLI}}, \quad \mathrm{CLI}>0$

式(10)中:i为外观级数的腐蚀程度,i=0,1,2,3,分别对应4种腐蚀程度,包括表层变化、极浅腐蚀、中等腐蚀和深度腐蚀;统计各腐蚀程度对应i值的总数;Max(CLI)为出现次数最多的腐蚀程度对应的i值。

3.2 锈蚀程度识别流程

锈蚀程度识别流程如下。

(1)在轻型卷积神经网络模型中输入已获取的石化储罐表面图像,分析此图像是否含有锈蚀,若有则继续做其他处理,若无则替换下一图像重新录入。

(2)对含有锈蚀的图像进行处理,采用SLIC算法生成超像素并初步分割,再用分类器进行初步分类。

(3)在完成类别划分后,将所得结果输入至改进全连接CRF模型以进行精细化处理,进而生成精确的锈蚀分割图。

(4)在RGB颜色空间中分别提取R、G、B通道的数值信息,计算CRA、CLI和RD_i这3个关键参数,根据所定义的标准识别其对应的外观级数。

具体流程如图7所示。

4 实验结果与分析

选择Allied Vision的Mako G-507相机与C-12-F2.0-10MP-T2-3 12 mm F2.0镜头共同组成本实验的图像采集系统。工业相机的GigE接口借助以太网向计算机传输图像,由计算机对图像中的锈蚀部分进行辨别与分割。使用Linux系统开发出本实验的操作软件,供后续的图像处理。

采用500幅正常石化储罐表面图像与300幅有锈蚀缺陷的石化储罐表面图像作为实验图像,图像的尺寸为256×256像素。随机选择其中的600幅为训练集,200幅作为测试集。

在经过充足训练后,从石化储罐图像中随机选择并开展实验。采集的图像示例如图8所示。

使用SLIC算法处理图像,初步处理后的图像如图9所示。

使用融合纹理特征的全连接CRF算法进行更精细的分割得到最终的锈蚀部分图像。最终图像如图10所示。

最后对缺陷图像进行腐蚀程度判定,腐蚀程度判定结果如表1所示。实验结果显示,与目视评定相比,检测系统能够准确判定缺陷的腐蚀程度。

综上所述,应用基于超像素分割的石化储罐锈蚀检测方法,能够识别出完整的锈蚀并准确判定缺陷的腐蚀程度。

5 结论

针对石化储罐的锈蚀识别问题提出了基于超像素分割的石化储罐锈蚀检测改进方法。首先使用LCNN模型对储罐表面图像进行特征提取,然后通过SLIC算法生成超像素,通过应用结合纹理核的全连接CRF算法,实现了对锈蚀的精确划分。随后,依据超像素在RGB色彩空间内的色彩属性,对锈蚀的严重性进行了评估和识别。相较于传统基于物理原理的检测方法,有效提高了检测效率和精准性,以提升石化储罐锈蚀检测的准确性和普适性。通过实验验证,该方法能有效识别和分析储罐锈蚀,对于提高储罐安全管理具有重要意义。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	曲建军, 纪瑞军. 石油库储罐检修策略[J]. 油气储运, 2023, 42(11): 1307-1312.

[2]	Qu Jianjun, Ji Ruijun. Storage tank maintenance strategy in oil storage[J]. Oil & Gas Storage and Transportation, 2023, 42(11): 1307-1312.

[3]	吴阳, 刘月芳, 王宪军, 等. 储罐外防腐层机械化维修工艺研究[J]. 科学技术与工程, 2023, 23(18): 7753-7757.

[4]	Wu Yang, Liu Yuefang, Wang Xianjun, et al. Maintenance process for external anti-corrosion coating of storage tank[J]. Science Technology and Engineering, 2023, 23(18): 7753-7757.

[5]	程伟, 陈炜, 袁文彬, 等. 大型原油储罐底板腐蚀速率预测方法研究[J]. 压力容器, 2025, 42(2): 80-86.

[6]	Cheng Wei, Chen Wei, Yuan Wenbin, et al. Research on prediction method of corrosion rate of floor of large crude oil storage tank[J]. Pressure Vessel Technology, 2025, 42(2): 80-86.

[7]	Huang X B, Zhang X L, Zhang Y, et al. A method of identifying rust status of dampers based on image processing[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 68(8): 5407-5417.

[8]	Pan R B, Zhong C M, Qian J B. Balanced fair K-Means clustering[J]. IEEE Transactions on Industrial Informatics, 2023, 20(4): 5914-5923.

[9]	Xu J Z, Yuan M K, Yan D M, et al. Illumination guided attentive wavelet network for low-light image enhancement[J]. IEEE Transactions on Multimedia, 2022, 25: 6258-6271.

[10]	Bembenek M, Mandziy T, Ivasenko I, et al. Multiclass level-set segmentation of rust and coating damages in images of metal structures[J]. Sensors, 2022, 22(19): 7600.

[11]	Trivedi V K, Shukla P K, Pandey A. Automatic segmentation of plant leaves disease using min-max hue histogram and k-mean clustering[J]. Multimedia Tools and Applications, 2022, 81(14): 20201-20228.

[12]	宋子涛, 赵全明, 张冬梅. 联合多尺度残差卷积-视觉Transformer和GAN的高光谱图像分类[J]. 河北工业大学学报, 2025, 54(2): 42-51.

[13]	Song Zitao, Zhao Quanming, Zhang Dongmei. Multi-scale residual convolution-vision Transformer and GAN for hyperspectral image classification[J]. Journal of Hebei University of Technology, 2025, 54(2): 42-51.

[14]	Wang B, Cai B D, Sheng J F, et al. AAGCN: a graph convolutional neural network with adaptive feature and topology learning[J]. Scientific Reports, 2024, 14(1): 10134.

[15]	Lim W X, Chen Z Y. Enhancing deep learning pre-trained networks on diabetic retinopathy fundus photographs with SLIC-G[J]. Medical & Biological Engineering & Computing, 2024, 62(8): 2571-2583.

[16]	李克文, 蒋衡杰, 李国庆, 等. 基于扩散模型的遥感图像变化检测方法[J]. 计算机工程与设计, 2025, 46(2): 337-344.

[17]	Li Kewen, Jiang Hengjie, Li Guoqing, et al. Diffusion model based change detection method for remote sensing images[J]. Computer Engineering and Design, 2025, 46(2): 337-344.

[18]	Wang H J, Li G H, Wang Z K. Fast SVM classifier for large-scale classification problems[J]. Information Sciences, 2023, 642: 119136.

[19]	Zhou W J, Dong S H, Lei J S, et al. MTANet: Multitask-aware network with hierarchical multimodal fusion for RGB-T urban scene understanding[J]. IEEE Transactions on Intelligent Vehicles, 2022, 8(1): 48-58.

[20]	吴桂兵, 丁碧军, 程晓地, 等. 基于包装材料数字图像的RGB颜色空间色差评价方法研究[J]. 包装工程, 2024, 45(15): 169-179.

[21]	Wu Guibing, Ding Bijun, Cheng Xiaodi, et al. Color difference evaluation method of RGB color space based on digital images of packaging materials[J]. Packaging Engineering, 2024, 45(15): 169-179.