藺 怡,歐陽名三,汪義鵬,丁希鵬

安徽理工大學(xué) 電氣與信息工程學(xué)院,安徽 淮南 232002

1 引 言

熱斑故障是光伏板長期運(yùn)行中的一種典型故障問題,目前常見的熱斑故障檢測方法主要分為并聯(lián)旁路二極管法、基于電流電壓的故障檢測方法和基于熱成像技術(shù)的故障檢測方法[1]。其中,基于熱成像技術(shù)的故障檢測方法利用熱斑區(qū)域溫度明顯高于正常光伏組件平均溫度這一特點(diǎn),通過紅外設(shè)備對光伏板進(jìn)行實(shí)時拍攝獲取圖像,實(shí)現(xiàn)對熱斑的快速檢測。該方法檢測成本低、效率高、故障定位精確,是光伏熱斑檢測技術(shù)研究的熱點(diǎn)。

考慮在進(jìn)行紅外圖像拍攝時,容易受到外界環(huán)境的隨機(jī)干擾及成像設(shè)備內(nèi)部變化等因素的影響,紅外圖像會包含多種噪聲[2]。陳文勤[3]采用核數(shù)為5×5的二維高斯濾波器對熱斑圖像進(jìn)行去噪處理,該濾波器能夠在滿足噪聲消除需求的同時充分保留邊緣細(xì)節(jié),但對圖像中的椒鹽噪聲幾乎沒有過濾效果;周世芬[4]對比驗(yàn)證了鄰域平均濾波、高斯濾波和中值濾波這3種傳統(tǒng)空間濾波算法的實(shí)驗(yàn)結(jié)果,最終選用了濾波效果更好、圖像更清晰的中值濾波方法,但該算法應(yīng)用于高密度噪聲去噪處理時效果較差;蔣琳等[5]提出一種基于灰度直方圖的B樣條最小二乘擬合紅外圖像處理方法,B樣條最小二乘擬合算法可以在精確檢測熱斑的同時抑制噪聲,但該算法只是將非熱斑區(qū)域進(jìn)行了分割,并未對圖像噪聲進(jìn)行針對性處理;任超等[6]使用的混合噪聲去噪算法在經(jīng)典BM3D(3D Block Matching)算法的基礎(chǔ)上增加了多級非線性加權(quán)平均中值濾波,提高了對混合噪聲中椒鹽噪聲的濾除能力,但該算法計(jì)算量大,復(fù)雜度較高,不利于實(shí)際應(yīng)用。綜上所述,光伏熱斑紅外圖像混合噪聲去噪算法相關(guān)研究的應(yīng)用性仍有待加強(qiáng),且缺少針對性的混合噪聲濾除算法。

本文通過對光伏熱斑紅外圖像中的噪聲進(jìn)行分析,總結(jié)得出熱斑紅外圖像主要含有高斯噪聲和椒鹽噪聲,針對高斯-椒鹽混合噪聲的濾除問題,提出一種基于主成分分析(Principal Component Analysis,PCA)的混合噪聲自適應(yīng)去噪算法。該算法在對噪聲圖像進(jìn)行PCA變換之前采用自適應(yīng)窗口預(yù)處理操作,可以濾除圖像中的部分噪聲以減小噪聲估計(jì)時的誤差,同時針對高強(qiáng)度噪聲情況,算法先對預(yù)處理圖像的噪聲水平進(jìn)行估計(jì)并更新,再進(jìn)行二次PCA變換,實(shí)現(xiàn)對噪聲圖像的進(jìn)一步去噪處理。實(shí)驗(yàn)結(jié)果表明:本算法經(jīng)過預(yù)處理后去噪效果顯著,能夠保留熱斑形態(tài)信息,擁有良好的主觀視覺效果,同時客觀評價指標(biāo)均有所提高。

2 光伏熱斑紅外圖像噪聲分析

由于紅外成像系統(tǒng)自身特質(zhì)及環(huán)境變化等因素,其一般呈現(xiàn)以下特點(diǎn):與相應(yīng)的可見光圖像相比,紅外圖像更為模糊;紅外圖像包含的噪聲比較多,噪聲強(qiáng)度大;紅外圖像具有非均勻性,直觀上表現(xiàn)為圖像的畸變等。

光伏組件紅外圖像不但具有一般紅外圖像的特點(diǎn),而且由于所處環(huán)境的不同,還會產(chǎn)生許多影響光伏組件紅外圖像成像的特殊條件,如環(huán)境溫度、周圍障礙物、拍攝角度以及天氣等,這些特點(diǎn)導(dǎo)致對光伏組件進(jìn)行實(shí)時拍攝所獲取的紅外圖像會含有許多噪聲,且產(chǎn)生噪聲種類的隨機(jī)性和噪聲分布的復(fù)雜性會使光伏熱斑紅外圖像的信噪比相對較低,且圖像邊緣更模糊。

一般圖像中包含的噪聲種類繁多,按照噪聲幅度的概率密度函數(shù)(Probability Density Functions, PDF)分布情況進(jìn)行區(qū)分,可以分為高斯噪聲、瑞麗噪聲、指數(shù)噪聲、伽馬噪聲、均勻噪聲以及椒鹽噪聲等[7]。不同類型的噪聲需要用不同的濾波器來消除,最常用的空間域去噪濾波器主要分為線性濾波器和非線性濾波器兩種[8-9]。線性濾波器主要用于去除高斯噪聲,如均值濾波器、線性加權(quán)濾波器、倒數(shù)梯度加權(quán)濾波器等都屬于線性濾波器的范疇。而非線性濾波器主要是中值濾波器,中值濾波一般用于消除椒鹽噪聲[10-11]。

影響熱斑紅外圖像的噪聲主要分為兩大類:高斯噪聲和椒鹽噪聲。高斯噪聲指PDF服從高斯分布(即正態(tài)分布)的一類噪聲,利用紅外相機(jī)進(jìn)行拍照或使用熱像儀采集圖像時,由于儀器電子系統(tǒng)內(nèi)部的隨機(jī)變化以及物理器件本身具有的特性,所獲得的紅外圖像容易產(chǎn)生高斯噪聲;椒鹽噪聲則是在傳感器進(jìn)行信號傳輸過程中,由于外界環(huán)境的干擾,造成信號在某一點(diǎn)傳輸錯誤而劇烈突變形成的,會導(dǎo)致圖像受損,像素取最大或最小灰度值(255和0),從而造成圖像細(xì)節(jié)丟失,質(zhì)量下降[12]。為了提高對后續(xù)熱斑圖像進(jìn)行識別檢測的效率,需要首先對圖像的高斯-椒鹽混合噪聲進(jìn)行去噪處理。

3 本文算法及實(shí)現(xiàn)步驟

本文根據(jù)熱斑紅外圖像的噪聲特點(diǎn),提出一種基于主成分分析的熱斑紅外圖像混合噪聲自適應(yīng)去噪算法。主成分分析法通過PCA變換進(jìn)行降維處理,提取信息分量,舍棄噪聲分量,實(shí)現(xiàn)降噪目的。PCA算法對于高斯噪聲有明顯去噪效果,但噪聲的存在會影響PCA變換矩陣的精確度,尤其是在處理椒鹽噪聲等非高斯分布噪聲時,PCA算法提取的主成分與真正的信息分量有一定偏差。由于主成分分析法在混合噪聲濾除方面具有一定的局限性,所以將采集到的光伏熱斑紅外圖像先進(jìn)行自適應(yīng)窗口預(yù)處理,濾除大部分椒鹽噪聲,降低PCA變換時噪聲對主成分提取范圍的影響,然后利用圖像的局部相似性進(jìn)行PCA變換,提取出主成分后再采用線性最小均方誤差(linear Minimum Mean Squared Error,LMMSE)算法進(jìn)行去噪處理。該算法可以在有效去除高斯噪聲和椒鹽噪聲的同時,很好地保持圖像的細(xì)節(jié)信息,并提高圖像的信噪比,方便后續(xù)的熱斑提取與故障檢測工作。

3.1 自適應(yīng)窗口預(yù)處理

椒鹽噪聲在紅外圖像中表現(xiàn)為一種隨機(jī)出現(xiàn)的白點(diǎn)或者黑點(diǎn),其像素值為0或255。假設(shè)對一幅含有椒鹽噪聲紅外圖片的某一區(qū)域內(nèi)所有像素的灰度值從大到小進(jìn)行排序,則在這個序列數(shù)組中,所有椒鹽噪聲點(diǎn)的灰度值一定會分布在數(shù)組的兩端,將這個數(shù)組兩端的所有極值點(diǎn)(疑似噪聲點(diǎn))去除后,用剩余像素點(diǎn)的灰度值中值來代替疑似噪聲點(diǎn)的灰度值,這樣就可以在有效保留紅外圖像像素信息的同時濾除噪聲點(diǎn)對圖像內(nèi)容的影響[13-15]。

在這一噪聲濾除環(huán)節(jié),直接影響去噪效果的一個關(guān)鍵因素是所選取濾波窗口的大小。對于固定的濾波窗口,去除噪聲和保護(hù)圖像細(xì)節(jié)信息的目標(biāo)是矛盾的:如果選取的濾波窗口較小,窗口內(nèi)像素點(diǎn)的灰度值變化較小,剩余像素灰度值的中值與被替代像素點(diǎn)的灰度值誤差較小,能夠更好地保護(hù)圖像中的一些細(xì)節(jié)信息,但同時部分噪聲點(diǎn)也會被誤認(rèn)為圖像信息點(diǎn)而得到保留,降低椒鹽噪聲的濾除效果;反之,如果選取的濾波窗口尺寸比較大,窗口內(nèi)像素點(diǎn)增多意味著灰度值樣本變大,可以更準(zhǔn)確地識別噪聲點(diǎn),雖然會獲得更好的噪聲濾除效果,但可能會因?yàn)槭Ｓ嘞袼鼗叶戎档闹兄蹬c被替代像素點(diǎn)灰度值誤差大而丟失圖像中的部分細(xì)節(jié)信息,使處理后的圖像變得模糊[16]。因此,本文設(shè)計(jì)算法通過判斷固定濾波窗口內(nèi)每一個像素點(diǎn)的灰度值是否是極值來確定椒鹽噪聲點(diǎn)的數(shù)量,提出可以根據(jù)初始窗口內(nèi)椒鹽噪聲點(diǎn)數(shù)量的多少進(jìn)行濾波窗口自適應(yīng)變化的預(yù)處理算法。自適應(yīng)窗口預(yù)處理算法流程圖如圖1所示。

圖1 自適應(yīng)窗口預(yù)處理算法步驟圖

在本文算法中,初始窗口大小被設(shè)定為3×3,窗口最大可擴(kuò)充至7×7。若剔除極值后的3×3窗口內(nèi)仍剩余像素值時,認(rèn)為當(dāng)前窗口內(nèi)噪聲較小,直接進(jìn)行灰度中值替換操作,可最大限度保留圖像細(xì)節(jié)信息。當(dāng)檢測到3×3窗口內(nèi)全是極值點(diǎn)時,擴(kuò)大窗口至5×5,重新進(jìn)行檢測,最終可在7×7大小的窗口內(nèi)進(jìn)行檢測。若檢測到7×7大小的窗口內(nèi)仍是全為極值點(diǎn)的情況(概率極小),則考慮極值點(diǎn)可能是原圖像信息中的像素點(diǎn),故不進(jìn)行灰度中值替換操作。

本算法首先對圖像進(jìn)行邊緣擴(kuò)充,然后根據(jù)預(yù)設(shè)好的條件動態(tài)改變?yōu)V波窗口的尺寸,完成噪聲濾除的同時兼顧保護(hù)了細(xì)節(jié)信息,可實(shí)現(xiàn)以下去噪要求:濾除椒鹽噪聲;平滑其他非脈沖噪聲;保護(hù)圖像中的細(xì)節(jié)信息;檢測到噪聲較少時不用擴(kuò)大窗口,既保證了去噪效果又節(jié)省了時間。

3.2 基于塊匹配的PCA圖像去噪

主成分分析法是一種基于統(tǒng)計(jì)理論的字典學(xué)習(xí)算法[17],通過PCA變換可以將高維空間的計(jì)算問題轉(zhuǎn)化到低維空間進(jìn)行處理,大大提高了運(yùn)算效率。在圖像去噪領(lǐng)域,利用主成分分析法可以提取圖像的主要信息特點(diǎn),對含噪圖像進(jìn)行PCA變換,可以實(shí)現(xiàn)針對高斯白噪聲的明顯去噪效果[18]。

使用主成分分析法需要采集充足的訓(xùn)練樣本,本文采集訓(xùn)練樣本的方法結(jié)合塊匹配(Local Pixel Grouping,LPG)思想,將待去噪的像素點(diǎn)及其最近鄰捆綁組成一個變量塊,并將該變量塊看作一個整體,在附近區(qū)域內(nèi)尋找與其結(jié)構(gòu)相似的部分像素塊作訓(xùn)練樣本[19-20]。如圖2所示:以待去噪像素點(diǎn)為中心,設(shè)置一個窗口大小為b×b的變量塊,然后以b×b變量塊中的每一像素為左上頂點(diǎn)選取對應(yīng)大小為(s+1)×(s+1)的訓(xùn)練樣本,得到b2×(s+1)2大小的原始訓(xùn)練樣本集。在該原始樣本集中,某些像素塊可能在結(jié)構(gòu)上與待去噪變量塊有很大的差異,如果直接使用樣本集中全部的訓(xùn)練樣本進(jìn)行訓(xùn)練,不但會增加計(jì)算的工作量,同時還會使PCA變換得到的協(xié)方差矩陣不準(zhǔn)確。為解決這一問題,本算法采用在訓(xùn)練框中選取與待去噪變量塊的歐氏距離最近的L組訓(xùn)練樣本,組成b2×L大小的訓(xùn)練樣本集。樣本數(shù)量L的取值決定了算法運(yùn)行的效率和最終去噪效果,文獻(xiàn)[19]中的測試數(shù)據(jù)結(jié)果顯示:L的取值范圍在2b2～ 5b2較為合適,本文取L=250。

圖2 基于LPG-PCA的去噪模型

在一個數(shù)據(jù)集中,一般認(rèn)為信息分量的方差遠(yuǎn)大于噪聲分量的方差。根據(jù)這一理解,將一幅圖像進(jìn)行PCA變換就是將圖像中所有信息組成的n維數(shù)據(jù)集投影到k維上(n>k),以尋找最大方差的方向[21]。以一個n行m列的矩陣X為例,進(jìn)行PCA變換的計(jì)算步驟如下:

(2) 計(jì)算矩陣Xi的協(xié)方差矩陣CX,并求出協(xié)方差矩陣CX的特征值對角陣Λ以及對應(yīng)的特征向量矩陣Φ:

將原始數(shù)據(jù)集進(jìn)行PCA變換后得到一個新的數(shù)據(jù)集。一般來說,原始噪聲圖像的主要信息分量會集中在新數(shù)據(jù)集中的幾個小子集上,而噪聲分量會均勻分布在整個新數(shù)據(jù)集中。因此,在PCA變換域中,可以更好地區(qū)分圖像主要信息和噪聲信息。本文采用線性最小均方誤差估計(jì)(LMMSE)法[22-23]對PCA變換域中的含噪矩陣Yn進(jìn)行降噪處理,算法公式如下:

其中,var(·)為方差,x表示原始無噪像素的真實(shí)值,y表示含噪像素值,σ代表原始噪聲的標(biāo)準(zhǔn)差。

3.3 更新噪聲水平

當(dāng)原始噪聲圖像中的噪聲含量較多時,不僅會使塊匹配時的訓(xùn)練樣本集選取有誤差,還會導(dǎo)致進(jìn)行PCA變換后含噪矩陣的估計(jì)出現(xiàn)偏差[19],這些影響都會致使最終降噪效果不理想。為了獲取視覺效果更好的去噪圖像,本文在原始噪聲圖像經(jīng)過PCA算法一次處理后,重新計(jì)算去噪圖像的當(dāng)前噪聲水平并進(jìn)行更新代入,然后根據(jù)新的噪聲標(biāo)準(zhǔn)進(jìn)行二段LPG-PCA去噪流程。

其中,N表示原始圖像中的噪聲,Ns為一段去噪后圖像中的殘余噪聲,令其標(biāo)準(zhǔn)差為σs,則噪聲標(biāo)準(zhǔn)差的估計(jì)值可表示為

在實(shí)際應(yīng)用中,進(jìn)行噪聲估計(jì)時不僅要計(jì)算一次去噪后的噪聲殘差,還要考慮原始噪聲圖像Xn的估計(jì)誤差。因此,設(shè)置一個常數(shù)參量cs(0

最終,噪聲估計(jì)值σs的表達(dá)式為

其中,本文取cs=0.36。

綜上所述,本文所用去噪算法流程圖如圖3所示。

圖3 基于主成分分析的混合噪聲自適應(yīng)去噪算法流程圖

4 實(shí)驗(yàn)結(jié)果與分析

4.1 客觀評價指標(biāo)選取

本文選取以下兩種參數(shù)對光伏熱斑紅外圖像的去噪效果進(jìn)行評價[24]。

(1)RPSNR(Peak Signal to Noise Ratio),峰值信噪比。RPSNR的單位是dB,其數(shù)值越大表示圖像的失真越小。公式如下:

其中,RMSE指當(dāng)前圖像與原始圖像之間的均方誤差值。

(2)RSSIM(Structure Similarity),結(jié)構(gòu)相似性。RSSIM分別從亮度、對比度以及結(jié)構(gòu)三個方面度量圖像的相似性,取值范圍為[0,1],其數(shù)值越大表示圖像失真越小。公式如下:

其中,μX、μY分別表示原始圖像X和去噪圖像Y的均值;σX、σY分別表示原始圖像X和去噪圖像Y的方差,σXY表示原始圖像X和去噪圖像Y的協(xié)方差;C1、C2為常數(shù),設(shè)置常數(shù)C1、C2是為了避免出現(xiàn)分母為0的情況,通常情況下取C1=(0.01×255)2、C2=(0.03×255)2。

4.2 實(shí)驗(yàn)結(jié)果對比

本文在Windows 11 Home 64位操作系統(tǒng)的計(jì)算機(jī)上以MATLAB R2019a為程序仿真運(yùn)行平臺,處理器為Intel(R) Core(TM) i5-11260H @ 2.60 GHz,內(nèi)存為16.0 GB。為了驗(yàn)證上述算法的有效性和實(shí)際可行性,選取兩幅大小為256×256像素的光伏熱斑紅外圖像[1],對兩幅圖像同時加入不同程度的高斯噪聲和椒鹽噪聲(5/0.05、10/0.1、20/0.3),選取兩種圖像去噪算法分別對加噪圖像進(jìn)行濾波處理后與本文算法的去噪結(jié)果進(jìn)行對比,分別是修正的阿爾法均值濾波算法[15]、NL-means算法[25]。其中,修正的阿爾法均值濾波器是一種非線性空間域?yàn)V波器,它將濾波范圍內(nèi)的數(shù)據(jù)按從大到小和從小到大的順序進(jìn)行排序,去除部分?jǐn)?shù)據(jù)后計(jì)算剩余均值以代替去噪點(diǎn)像素值,實(shí)現(xiàn)了去噪目標(biāo),適用于被混合噪聲污染過的圖像進(jìn)行去噪;NL-means算法通過對圖像進(jìn)行加權(quán)平均來濾除噪聲,采用兩步去噪方法,首先進(jìn)行相似組塊的選擇,用以待去噪像素點(diǎn)為中心的圖像塊之差的歐氏距離求出其權(quán)值,然后進(jìn)行NL-Means算法計(jì)算,NL-Means算法可以較好地抑制白噪聲,對圖像結(jié)構(gòu)也有較好的保持能力。各算法的RPSNR/RSSIM結(jié)果對比見表1。

表1 不同算法的去噪效果比較(RPSNR/RSSIM)

從表1可以看出:NL-means算法針對低密度混合噪聲有較好的去噪效果,在混合噪聲等級為5/0.05時,經(jīng)NL-means算法去噪后的兩幅圖像峰值信噪比分別為27.498 8 dB和25.087 8 dB,但隨著噪聲密度增加,在噪聲等級為20/0.3時,峰值信噪比僅為16.355 8 dB和15.317 7 dB,其降噪性能下降約39.73%。與此同時,在低密度高斯噪聲和椒鹽噪聲污染下,本文所采用的自適應(yīng)算法與修正的阿爾法均值濾波算法去噪結(jié)果評價相近。但隨著混合噪聲污染程度的增加,本文算法的去噪效果在峰值信噪比和結(jié)構(gòu)相似性兩種客觀評價指標(biāo)上均優(yōu)于修正的阿爾法均值濾波算法。在噪聲強(qiáng)度為20/0.3時,本算法的峰值信噪比相較于修正的阿爾法均值濾波算法平均高出2 dB,結(jié)構(gòu)相似性相較于修正的阿爾法均值濾波算法也多出0.13左右。

圖4對比展示了無背景的多熱斑紅外圖像在噪聲污染為10/0.1的情況下原始含噪圖像與經(jīng)過NL-means算法、修正的阿爾法均值濾波算法以及本文算法去噪后的圖像去噪效果。圖4中可以看出:在該噪聲強(qiáng)度下,經(jīng)過NL-means算法去噪后的圖像在噪聲減少的同時,圖像細(xì)節(jié)信息也相應(yīng)減少了,且熱斑區(qū)域邊緣模糊不清,只能看到大概的輪廓,這樣的去噪效果必然不利于后續(xù)的熱斑提取與檢測工作。反觀,本文算法與修正的阿爾法均值濾波算法在去除噪聲的同時都對圖像輪廓及熱斑區(qū)域的邊緣信息有較好的保留,但修正的阿爾法均值濾波算法使圖像部分邊緣出現(xiàn)了輕微的鋸齒狀,因此,本文算法的視覺效果優(yōu)于修正的阿爾法均值濾波算法。

(a) 含10/0.1噪聲圖像 (b) NL-means算法

圖5為含有大量背景信息的光伏熱斑紅外圖片在噪聲強(qiáng)度為20/0.3情況下的原始含噪圖像與經(jīng)過NL-means算法、修正的阿爾法均值濾波算法以及本文算法去噪后的圖像去噪效果的對比?？梢钥闯?在高強(qiáng)度噪聲污染條件下,NL-means算法的降噪性能較差,較難恢復(fù)圖像所包含的原有信息,圖片中難以分辨熱斑區(qū)域形態(tài);同時,修正的阿爾法均值濾波算法對含噪原圖像的整體具有良好的降噪能力,但對于部分細(xì)節(jié)信息也容易被濾除,不能較好地保持圖像輪廓細(xì)節(jié),熱斑邊緣信息被破壞。而經(jīng)過本文算法去噪后的圖像能夠清晰地保留熱斑形態(tài),光伏板與背景區(qū)域的邊界區(qū)分明顯,視覺觀感優(yōu)于前兩者,便于后續(xù)熱斑的提取與檢測。

(a) 含20/0.3噪聲圖像 (b) NL-means算法

經(jīng)上述實(shí)驗(yàn)驗(yàn)證:本文算法擁有較其他算法更為明顯的去噪效果。但本文算法仍存在改進(jìn)空間,比如雖然針對高強(qiáng)度噪聲的二次處理效果比一次處理有明顯改善,但低強(qiáng)度噪聲水平下兩次處理的效果單獨(dú)看沒有較大差別,可以理解為本算法在進(jìn)行低密度噪聲去除時進(jìn)行了重復(fù)工作,性價比不高。因此,未來的算法改進(jìn)工作可以考慮在進(jìn)行主成分分析前先識別預(yù)處理后的噪聲強(qiáng)度,以確認(rèn)是否進(jìn)行二次PCA變換操作,在保證去噪效果的同時提高工作效率。

5 結(jié) 論

在分析了光伏熱斑紅外圖像的噪聲特點(diǎn)后,發(fā)現(xiàn)高斯噪聲和椒鹽噪聲為影響圖像質(zhì)量的兩大典型噪聲,且噪聲無法避免。針對混合噪聲特點(diǎn),提出一種基于主成分分析的光伏熱斑紅外圖像混合噪聲自適應(yīng)去噪算法。該算法在進(jìn)行主成分分析前對噪聲圖像進(jìn)行了自適應(yīng)窗口預(yù)處理,減小了PCA變換時對噪聲估計(jì)的誤差,同時考慮高強(qiáng)度噪聲難以去除的問題,在一次去噪結(jié)束后重新計(jì)算當(dāng)前噪聲水平,進(jìn)行二次PCA變換并去噪,得到最終降噪圖片。實(shí)驗(yàn)結(jié)果表明:無論在低強(qiáng)度還是高強(qiáng)度噪聲影響下,本文算法針對高斯和椒鹽的混合噪聲都有較好的去噪效果,在有效濾除噪聲的同時保留了熱斑形態(tài)信息,避免了邊緣模糊問題,用于實(shí)際工作中可提高后續(xù)熱斑提取與檢測工作的效率。