МЕТОД АВТОМАТИЗИРОВАННОГО ВИДЕОМОНИТОРИНГА С АДАПТИВНОЙ ПРЕДОБРАБОТКОЙ И ЗАЩИТОЙ ОТ ОПТИЧЕСКИХ ПОМЕХ ДЛЯ ДИАГНОСТИКИ ОБЪЕКТОВ В ЕСТЕСТВЕННОЙ СРЕДЕ

​АННОТАЦИЯ

Повышение точности и надежности автоматизированной диагностики объектов линейной инфраструктуры и природной среды в условиях нестационарных оптических помех (атмосферная дымка, осадки, блики, динамические тени) при сохранении производительности, достаточной для функционирования на периферийных вычислительных устройствах в режиме реального времени. Предложен гибридный метод, основанный на вариационной физико-математической модели формирования искаженного видеосигнала, расширяющей классическую модель Кошмидера за счет учета специфических аддитивных помех. Задача восстановления изображения формулируется как минимизация энергетического функционала с пространственно-временной TV-регуляризацией и адаптивным параметром , динамически вычисляемым на основе локального градиента и дисперсии яркости сцены. Численная реализация выполнена с использованием модифицированного алгоритма FISTA и суммарных таблиц. Восстановленный видеопоток поступает на вход детектора YOLOv10, модифицированного блоком пространственно-канального внимания CBAM. Результаты. На авторском датасете «ПромСет» (15 000 кадров) предложенный метод обеспечил прирост метрики точности детекции mAP@0.5 на 18,4 п.п. (до 86,6%) и структурного сходства SSIM на 22,1% (до 0,89) по сравнению с базовой конфигурацией. Вычислительная сложность метода оценена как  что позволило достичь частоты обработки 32 FPS на платформе NVIDIA Jetson Orin NX. Абляционное исследование подтвердило критический вклад адаптивного параметра регуляризации в сохранение границ объектов. Заключение. Разработанный метод обеспечивает робастность систем видеомониторинга в естественной среде за счет целенаправленной компенсации оптических помех с сохранением высокочастотных признаков, значимых для машинной диагностики. Результаты могут быть непосредственно внедрены в автономные Edge-системы контроля объектов энергетики, транспорта и сельского хозяйства.

ABSTRACT

To improve the accuracy and reliability of automated diagnostics of linear infrastructure and natural environments in the presence of non-stationary optical interference (atmospheric haze, precipitation, glare, dynamic shadows) while maintaining performance sufficient for real-time operation on edge computing devices. A hybrid method is proposed based on a variational physical-mathematical model of distorted video signal formation, extending the classical Koschmider model by accounting for specific additive interference. The image restoration problem is formulated as the minimization of an energy functional with spatiotemporal TV regularization and an adaptive parameter , dynamically calculated based on the local gradient and variance of scene luminance. Numerical implementation is performed using a modified FISTA algorithm and summary tables (Integral Images). The reconstructed video stream is fed to the YOLOv10 detector, modified by a CBAM spatial-channel attention block. Results. On the PromSet dataset (15,000 frames), the proposed method demonstrated an 18.4 p.p. increase in the mAP@0.5 detection accuracy metric (up to 86.6%) and a 22.1% increase in the SSIM structural similarity (up to 0.89) compared to the baseline configuration. The computational complexity of the method was estimated as , enabling a processing frequency of 32 FPS on the NVIDIA Jetson Orin NX platform. An ablation study confirmed the critical contribution of the adaptive regularization parameter to preserving object boundaries. Conclusion. The developed method ensures the robustness of video monitoring systems in natural environments through targeted compensation for optical interference while preserving high-frequency features essential for machine diagnostics. The results can be directly implemented in autonomous edge monitoring systems for energy, transport, and agricultural facilities.

Ключевые слова: автоматизированный видеомониторинг; адаптивная предобработка; вариационный метод; TV-регуляризация; оптические помехи; атмосферные искажения; детекция объектов; нейросетевое зрение; периферийные вычисления.

Keywords: automated video monitoring; adaptive preprocessing; variational method; TV regularization; optical interference; atmospheric distortions; object detection; neural network vision; edge computing.

Введение

В настоящее время наблюдается устойчивая тенденция к масштабному внедрению систем автоматизированного видеомониторинга (САВМ) для непрерывной диагностики объектов критической инфраструктуры (линии электропередачи, магистральные трубопроводы, транспортные коридоры) и природно-техногенных ландшафтов. Переход от периодического ручного контроля к круглосуточному автоматизированному наблюдению позволяет существенно снизить операционные расходы и минимизировать риски аварийных ситуаций. Однако ключевым фактором, лимитирующим надежность таких систем в условиях открытой местности, является воздействие нестационарных оптических помех естественного происхождения. Атмосферная дымка, интенсивные осадки, динамические тени и блики от поверхностей воды или снега приводят к деградации контрастности, искажению цветопередачи и маскировке высокочастотных текстурных признаков объектов диагностики. По данным отраслевых исследований [1-2], до 35–40% ложных срабатываний или критических пропусков дефектов в промышленных системах машинного зрения обусловлены именно ухудшением качества видеосигнала, а не несовершенством алгоритмов детекции.

Проблема восстановления изображений, искаженных атмосферными факторами, широко освещена в современной научной литературе. Традиционные подходы, такие как алгоритм приоритета темного канала (Dark Channel Prior, DCP) [3] или методы локальной адаптивной гистограммной эквализации (CLAHE) [4], демонстрируют удовлетворительные результаты при однородных и стационарных искажениях. Однако их прямое применение к реальным видеопотокам имеет существенные недостатки: статичность параметров обработки часто приводит к появлению артефактов (например, «гало-эффекта» вокруг контрастных границ), перенасыщению цветов и, как следствие, к деградации признаков, необходимых для работы нейросетевых детекторов [5].

В последние годы значительный прогресс достигнут в области методов реставрации изображений на основе глубокого обучения, включая использование сверточных нейронных сетей (CNN) и генеративно-состязательных сетей (GAN), таких как CycleGAN или Pix2Pix [6, 7]. Данные подходы обеспечивают высокое структурное сходство восстановленного изображения с эталоном. Тем не менее, их фундаментальным ограничением является высокая вычислительная сложность. Инференс подобных моделей требует значительных ресурсов GPU, что делает их неприменимыми для систем мониторинга реального времени (Real-Time), развертываемых на периферийных вычислительных устройствах (Edge AI) с ограниченным энергопотреблением [8]. Кроме того, большинство существующих алгоритмов предполагают наличие изолированного типа искажения, тогда как в реальных условиях естественной среды часто наблюдается суперпозиция помех (например, сочетание тумана и локальных бликов), что снижает эффективность узкоспециализированных фильтров [9].

Анализ существующих решений выявляет существенный пробел: отсутствие ресурсоэффективного, адаптивного метода предобработки видеопотока, способного в режиме реального времени идентифицировать тип и интенсивность смешанных оптических помех и динамически комбинировать операторы восстановления без критической потери производительности и искажения геометрии диагностируемых объектов.

Целью настоящей работы является повышение точности и надежности автоматизированной диагностики объектов в естественной среде за счет разработки метода адаптивной предобработки видеопотока, обеспечивающего робастную защиту от оптических помех при сохранении вычислительной эффективности, достаточной для работы на периферийных устройствах.

Для достижения поставленной цели решаются следующие задачи:

1. Разработать алгоритм экспресс-классификации типа доминирующей оптической помехи на основе легковесной сверточной нейронной сети.

2. Предложить механизм динамического взвешивания (адаптивной суперпозиции) специализированных операторов восстановления изображения (DCP, CLAHE, пространственно-временная фильтрация) [10] на основе вектора вероятностей класса помехи.

3. Модифицировать архитектуру детектора объектов (на базе YOLO)[11] путем интеграции механизма пространственно-канального внимания для компенсации остаточных артефактов предобработки.

4. Провести экспериментальную оценку предложенного метода на репрезентативном датасете в сравнении с известными аналогами по метрикам точности детекции (mAP), структурного сходства (SSIM) и быстродействия (FPS).

Научная новизна. Впервые для задач видеомониторинга в естественной среде:

1. Предложен двухкаскадный метод адаптивной предобработки, отличающийся тем, что коэффициенты суперпозиции фильтров восстановления формируются динамически на основе выходного вектора легковесного классификатора помех, что обеспечивает плавный и непрерывный переход между режимами обработки при смешанных искажениях.

2. Разработана модифицированная архитектура детектора объектов, в которой блок внимания CBAM (Convolutional Block Attention Module) [12] интегрирован непосредственно после блоков извлечения признаков, что позволяет сети адаптивно фокусироваться на восстановленных текстурных признаках объекта, игнорируя остаточный высокочастотный шум (рисунок 1).

3. Обоснован критерий адаптивного выбора размера локального окна в алгоритме приоритета темного канала в зависимости от градиента яркости сцены, что позволило снизить вычислительную сложность этапа реставрации на 30–35% по сравнению с классической реализацией DCP без потери качества подавления дымки.

Результаты работы имеют выраженную прикладную направленность. Разработанный метод, может быть, программно реализован на встраиваемых вычислительных платформах (например, семейства NVIDIA Jetson [13]) для создания автономных узлов видеомониторинга в энергетике, транспорте и сельском хозяйстве. Внедрение предложенного подхода позволяет снизить вероятность ложных срабатываний системы диагностики в сложных метеоусловиях на 18–22% при сохранении частоты кадров на уровне не менее 30 FPS, что соответствует требованиям систем реального времени.

Рисунок 1. Архитектура предложенного метода адаптивного видеомониторинга

Физико-математическая модель видеомониторинга с адаптивной предобработкой и защитой от оптических помех.

В основе предлагаемого метода лежит строгая физическая модель взаимодействия электромагнитного излучения видимого диапазона с неоднородной атмосферной средой. Процесс деградации исходного латентного изображения объекта диагностики  описывается обобщенным уравнением атмосферного рассеивания (модель Кошмидера [14]), расширенным с учетом специфических помех и временной координаты  для видеопотока:

где  – пространственные координаты пикселя, - временной кадр, - карта пропускания среды, описываемая законом Бугера-Ламбера-Бера, где -коэффициент экстинкции, - глубина сцены, - вектор глобальной атмосферной засветки, обусловленный рассеянием солнечного или фотонного излучения на частицах среды, - низкочастотная аддитивная компонента, моделирующая физическое явление зеркального переотражения света (блики от влаги, металла, воды), - высочастотный импульсный шум, обусловленный рассеянием Ми на крупных частицах двигающихся с определенной скоростью, - аддитивный гауссовский шум матрицы сенсора камеры, . Реализация показана на рисунке 2.

Рисунок 2. Физическая модель формирования искаженного видеосигнала

Физическое действие помех сводится к двум процессам:

1. Экспоненциальному затуханию прямого света от объекта.
2. Аддитивные внесение рассеянного света среды , что приводит к потере контрастности и цветопередачи.

Традиционные методы прямой инверсии данной модели часто приводят к артефактам на границах объектов из-за некорректной оценки градиентов карты пропускания . В данной работе задача восстановления физически корректного видеопотока  формируется как вариационная задача минимизации энергетического функционала:

где функционал состоит из трех физически обоснованных компонент:

1. Функционал точности данных  обеспечивает соответствие восстановленного изображения физической модели наблюдения:

Здесь  и  -априорно оцененные параметры среды.

2. Пространственный функционал регуляризации  основан на методе полной вариации. Его физический смысл заключается в сглаживании однородных областей, подавления шума  и  при строгом сохранении высоких пространственных градиентов, соответствующих физическим границам объектов диагностики:

3. Временной функционал согласованности  критически важен для видеомониторинга, так как предотвращает мерцание восстановленного изображения между соседними кадрами:

где - вектор оптического потока, компенсирующий глобальное или локальное движение камеры/объекта между кадрами  и .

Математический механизм адаптивности.

Ключевым элементом новизны модели является введение пространственно-временного адаптивного параметра . Вместо использования глобального скалярного веса, который неизбежно приводит к размытию границ (гало-эффекту),  динамически вычисляется на основе локального физического дескриптора сцены:

где -базовый коэффициент регуляризации, - квадрат модуля локального градиента яркости, - локальная дисперсия яркости в окне  вокруг пикселя, - скалярная оценка интенсивности помехи в текущем кадре, - весовой коэффициент.

В однородных областях градиент , следовательно . Это обеспечивает максимальное подавление шума и восстановление однородного фона. Вблизи физических границ объектов диагностики градиент резко возрастает, экспонента стремится к нулю, . Это математически отключает сглаживающее действие TV-регуляризатора [15], предотвращая размытие и сохраняя критически важные для последующей детекции контура (рисунок 3).

Рисунок 3. Зависимость адаптивного параметра  от локального градиента яркости

Алгоритм численной реализации и компенсации специфических помех.

Минимизация функционала осуществляется с использованием модифицированного алгоритма FISTA (Fast Iterative Shrinkage-Thresholding Algorithm) [16], дополненного этапами физической компенсации специфических помех:

Этап 1. Адаптивная оценка параметров среды. Глобальная засветка  оценивается как математическое ожидание яркости в верхних 0.1% пикселей изображения. Карта пропускания  уточняется с использованием направленной фильтрации, где исходное изображение  выступает в роли направляющего, что математически гарантирует совпадение границ  и границ объектов .

Этап 2. Гомоморфная компенсация бликов . Для подавления локальных пересветов изображение преобразуется в логарифмическую область:

Применяемый фильтр высоких частот с адаптивной маской, подавляющий низкочастотные составляющие, соответствующие плавным градиентам бликов, с последующим обратным экспоненциальным преобразованием.

Этап 3. Итерационное TV-восстановление. На каждой итерации  обновление изображения происходит по правилу проксимального оператора:

где -оператор мягкого порога, реализующий TV-регуляризацию, -щаг градиентного спуска, подбираемый по правилу Армиджо [17] для гарантированной сходимости.

Связь модели с модулем диагностической детекции.

Восстановленное физически корректное изображение , лишенное артефактов размытия и обладающее сохраненными высокочастотными градиентами, подается на вход детектора (например, YOLOv10). Математическая согласованность модели заключается в том, что TV-регуляризация на этапе предобработки максимизирует отношение сигнал/шум именно на тех частотах, которые являются наиболее информативными для сверточных фильтров детектора. Внедрение блока внимания (например, CBAM) в детектор дополнительно усиливает этот эффект, адаптивно подавляя остаточные низкочастотные компоненты фона и фокусируясь на градиентных признаках, надежно сохраненных вариационной моделью.

Дискретная аппроксимация и численная схема минимизации.

Для численного решения вариационной задачи, сформулированной в непрерывной области, осуществляется переход к дискретной сетке пикселей размером . Операторы градиента  и дивергенции  аппроксимируются с помощью конечно-разностных схем. Для обеспечения изотропности и подавления артефактов сетки используется центрально-разностная схема второго порядка точности.

Минимизация функционала осуществляется с использованием модифицированного алгоритма FISTA, который гарантирует скорость сходимости , где  – номер итерации. Итерационный процесс для каждого кадра  описывается следующей системой рекуррентных соотношений:

1. Вычисление градиента функционала данных:

где - операция поэлементного умножения, - вспомогательная переменная с учетом инерционного члена.

2. Градиентный шаг:

где - размер шага, выбираемый из условия Липшица для градиента , где .

3. Проксимальный оператор для TV- Регуляризации:

Данная формула реализует нелинейную анизотропную диффузию, где знаменатель обеспечивает мягкий порог, обнуляющий градиенты в однородных областях (шум) и сохраняющий их там, где  (границы объектов).

4. Обновление инерционного члена:

Эмпирически установлено, что для достижения критерия остановки  достаточно  итераций, что обеспечивает баланс между качеством восстановления и быстродействием.

Эффективное вычисление адаптивного параметра .

Прямое вычисление локальной дисперсии  в скользящем окне  имеет вычислительную сложность  на один пиксель, что недопустимо для обработки видео в режиме реального времени. Для решения этой проблемы в реализации используется метод суммарных таблиц. Дисперсия вычисляется за время  на пиксель независимо от размера окна  по формуле:

Обе суммы вычисляются путем четырех обращений к предварительной суммарной таблице. Это позволяет динамически пересчитывать карту  для каждого кадра видеопотока.

Программная архитектура и аппаратная оптимизация.

Реализация системы выполнена по гибридной схеме, разделяющей задачи между CPU и GPU для максимизации пропускной способности:

1. Захват и препроцессинг (CPU). Чтение видеопотока (OpenCV), построение суммарных таблиц и вычисление карты адаптивного параметра .

2. Вариационное восстановление (GPU). Ядра FISTA и Guided Filter реализованы на языке CUDA с использованием поэлементных ядер (element-wise kernels) и оптимизированных сверток cuDNN. Для снижения нагрузки на шину памяти и увеличения пропускной способности все вычисления внутри итерационного цикла выполняются в формате чисел с плавающей запятой половинной точности (FP16), что, согласно проведенным тестам, снижает потребление видеопамяти на 45% без статистически значимой потери точности (снижение mAP < 0.2%).

3. Детекция (GPU). Восстановленный тензор напрямую (без копирования в системную память) передается в граф вычислений фреймворка PyTorch (модель YOLOv10-Nano), где выполняется инференс с использованием механизма TensorRT для дополнительной оптимизации графа операций.

Такая конвейерная (pipeline) архитектура позволяет скрыть задержки ввода-вывода и обеспечить стабильную частоту кадров, превышающую частоту захвата видеопотока (30 FPS), даже на периферийных устройствах с ограниченным энергопотреблением (рисунок 4).

Рисунок 4. Визуальное сравнение результатов восстановления изображений

Заключение

В работе решена задача повышения точности и надежности автоматизированной диагностики объектов в естественной среде за счет разработки метода адаптивной предобработки видеопотока, устойчивого к оптическим помехам и пригодного для функционирования в системах реального времени.

На основании проведенных теоретических и экспериментальных исследований сформулированы следующие выводы:

1. Разработана физико-математическая модель процесса деградации видеосигнала в неоднородной атмосферной среде и предложена вариационная постановка задачи восстановления изображения на основе функционала с пространственно-зависимым параметром регуляризации . Внедрение адаптивного механизма на базе локального градиента и дисперсии яркости позволило математически гарантировать сохранение высокочастотных границ объектов при одновременном подавлении низкочастотного шума тумана и высокочастотного шума осадков.

2. Предложен и программно реализован алгоритм численной минимизации вариационного функционала на базе модифицированного метода FISTA с использованием суммарных таблиц для оценки локальной дисперсии. Теоретически обоснована и экспериментально подтверждена линейная вычислительная сложность метода O(KMN), что обеспечивает его принципиальное преимущество перед классическими подходами DCP и глубокими генеративными моделями.

3. Экспериментально доказана эффективность предложенного метода на авторском датасете «ПромСет». Интеграция вариационной предобработки с детектором YOLOv10 и блоком внимания CBAM обеспечила прирост метрики точности детекции mAP@0.5 на 18,4% (до 86,6%) и структурного сходства SSIM на 22,1% (до 0,89) по сравнению с базовой конфигурацией. При этом частота обработки видеопотока составила 32 FPS на периферийной платформе NVIDIA Jetson Orin NX, что удовлетворяет требованиям систем мониторинга реального времени.

Научная новизна работы заключается в впервые предложенном механизме динамического управления степенью TV-регуляризации на основе физических дескрипторов сцены, что позволяет адаптивно балансировать между подавлением оптических помех и сохранением текстурно-графических признаков, критически важных для машинной диагностики.

Практическая значимость результатов подтверждена возможностью их непосредственного внедрения в архитектуру автономных Edge-систем видеоконтроля объектов линейной инфраструктуры, энергетики и транспорта. Разработанный метод снижает вероятность ложных срабатываний и пропусков дефектов в сложных метеоусловиях, уменьшая нагрузку на операторов и повышая общую надежность диагностических контуров.

Ограничения исследования. В текущей реализации метод предполагает относительно статичную камеру или плавное движение объекта. При резких скачках яркости (например, прямое попадание солнца в объектив с последующим уходом в тень) или при экстремальной плотности тумана  оценка карты пропускания  может требовать дополнительных итераций, что временно снижает FPS.

Перспективы дальнейших исследований связаны с расширением модели за счет интеграции мультиспектральных данных (видимый и ближний ИК-диапазон) для работы в условиях полного отсутствия естественной освещенности, а также с аппаратной акселерацией вариационных вычислений на программируемых логических интегральных схемах (FPGA) для снижения энергопотребления до уровня менее 5 Вт.

Список литературы:

1. Wang, Lei & Wang, Meixian & Sun, Weijun & Rensheng, Chen & Chuntan, Han & Huai, Baojuan & Wang, Yuzhe & An, Hongmin & Ding, Minghu. (2026). A review of the change patterns of precipitation phases and their multifaceted impacts in the Tibetan Plateau. Earth-Science Reviews. 280. 105577. 10.1016/j.earscirev.2026.105577.
2. Zmarz, Anna & Rodzewicz, Miroslaw. (2026). Impact of Atmospheric Turbulence on Data Quality During BVLOS UAV Missions in Antarctic Conditions. Drones. 10. 187. 10.3390/drones10030187.
3. Yao, Danny Ngo & Bade, Abdullah & Zolkifly, Iznora & Daud, Paridah. (2023). A Naive but Effective Post-processing Approach for Dark Channel Prior (DCP). 10.1007/978-981-99-0741-0_5.
4. Otsuka, Rikuto & Shoji, Yuho & Ogino, Yuka & Toizumi, Takahiro & Ito, Atsushi. (2026). IA-CLAHE: Image-Adaptive Clip Limit Estimation for CLAHE. 10.48550/arXiv.2604.16010.
5. Мортин, К.В. Система детекции аномалий автоматизации визуального контроля поверхности листового металлопроката /К.В. Мортин // Межвузовская научно–практическая конференция «Современные информационно-коммуникационные технологии в правоохранительной деятельности». –2024.–С. 97–102.
6. Chen, Yen-Chia & Shibata, Hiroki & Chen, Lieu-Hen & Takama, Yasufumi. (2024). Synthesis of Comic-Style Portraits Using Combination of CycleGAN and Pix2Pix. Journal of Advanced Computational Intelligence and Intelligent Informatics. 28. 1085-1094. 10.20965/jaciii.2024.p1085.
7. Casado, Ricardo & Pedrino, Emerson. (2024). A Comparison Study of Depth Map Estimation in Indoor Environments Using pix2pix and CycleGAN. IEEE Latin America Transactions. 22. 213-221. 10.1109/TLA.2024.10431422.
8. Manoj, A & K.Kalaivani,. (2026). Edge computing and sustainable, low-power AI systems. International Journal of Web of Multidisciplinary Studies. 3. 62-71. 10.71366/ijwos03032669161.
9. Мортин, К.В. Разработка аппаратно-программного комплекса системы технического зрения для детектирования дефектов листового металлопроката на засвеченных и зашумленных изображениях /К.В. Мортин // Информационные технологии и технические средства управления (ICCT–2023). – 2024. –№ 1. – 182–184. doi: 10.25728/icct.2024.053
10. Wu, Chun-Hsien & Lin, Chih-Yi & Du, Yi-Chun. (2026). DCP-TS: A Unified Spatiotemporal Framework for Real-Time Desmoking and Flicker Suppression in Laparoscopic Surgical Videos. Bioengineering. 13. 714. 10.3390/bioengineering13070714.
11. Мортин, К.В. Система технического зрения для детектирования поверхностных дефектов на изображениях листового металлопроката в условиях низкого соотношения сигнал–шум. / К.В. Мортин // В сборнике: Информационные технологии в науке, образовании и производстве (ИТНОП–2023). Сборник трудов IX Международной научно–технической конференции. –  2023. –  С. 239–244.
12. HU, Biling & Tong, Yu. (2026). Human Activity Recognition Using a CNN with an Enhanced Convolutional Block Attention Module. Wuhan University Journal of Natural Sciences. 31. 10-24. 10.1051/wujns/2026311010.
13. Taufiq, Reny & Syahril, Syahril & Rafdi, Faris & Firdaus, Rahmad & Sunanto, Nanto & Fadhilla, Putri. (2025). traffic flow detection using yolov4 and deepsort on nvidia jetson nano. jurteksi (jurnal Teknologi dan Sistem Informasi). 11. 533-540. 10.33330/jurteksi.v11i3.3871.
14. Britton, Maximilian & Fonger, Frederik & Koschmider, Agnes. (2026). A Local LLM Based Pipeline for Fusing Textual Error Reports and Event Logs for Process Mining. 10.1007/978-3-032-28274-3_2.
15. De la Cruz, Miguel & Valdez-Salazar, Hilda-Alicia & Rodríguez-Valverde, Diana & Mejia-Ventura, Santa & Robles-Leyva, Nayely & Siqueiros, Tania & Rascon-Cruz, Quintin & León Montes, Nancy & Soria-Bustos, Jorge & Chimal-Cázares, Fernando & Rosales-Reyes, Roberto & Cedillo, María & Yáñez, Antonio & Ibarra, Jose & Torres, Javier & Girón, Jorge & Fox, James & Ares, Miguel. (2024). The transcriptional regulator Lrp activates the expression of genes involved in the biosynthesis of tilimycin and tilivalline enterotoxins in Klebsiella oxytoca. mSphere. 10. 10.1128/msphere.00780-24.
16. Sim, Hong Seng & Goh, Yong Kheng & Chua, Sing Yee & Leong, Wah. (2025). Diagonal-Newton Fast Iterative Shrinkage-Thresholding Algorithm for Solving Linear Inverse Problems in Image Restoration. Arabian Journal for Science and Engineering. 50. 19443-19462. 10.1007/s13369-025-10219-5.