• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于MLF-FRCNN的高速列車定位器檢測(cè)技術(shù)研究*

    2020-12-07 05:26:24崔宵洋林建輝陳春俊楊劼力
    關(guān)鍵詞:定位器特征向量接觸網(wǎng)

    崔宵洋 林建輝 陳春俊 楊 崗 楊劼力 徐 剛

    (1.西南交通大學(xué)機(jī)械工程學(xué)院 成都 610031)

    (2.西南交通大學(xué)牽引動(dòng)力國(guó)家重點(diǎn)實(shí)驗(yàn)室 成都 610031)

    (3.中車青島四方機(jī)車車輛股份有限公司 青島 266111)

    1 引言

    高速列車采用弓網(wǎng)系統(tǒng)作為車輛的受流裝置。隨著我國(guó)列車速度越來(lái)越高,維持弓網(wǎng)間的良好接觸變得越來(lái)越困難,其受流質(zhì)量不能得到良好的保障,當(dāng)嚴(yán)重惡化時(shí)影響列車的安全運(yùn)行。定位器是接觸網(wǎng)的關(guān)鍵零部件之一,確保接觸線在受電弓滑板運(yùn)行軌跡范圍內(nèi),使接觸線與受電弓不脫離。定位器的坡度狀態(tài)經(jīng)常會(huì)受到弓網(wǎng)耦合系統(tǒng)引起的振動(dòng)和激勵(lì)作用帶來(lái)的不利影響,當(dāng)其坡度值過(guò)大會(huì)出現(xiàn)受電弓滑板加速磨損的現(xiàn)象,當(dāng)坡度值過(guò)小會(huì)導(dǎo)致與受電弓滑板碰撞[1~2]。因此,檢測(cè)接觸網(wǎng)定位器對(duì)確保弓網(wǎng)系統(tǒng)的正常工作有著重要的意義。在我國(guó)鐵路起步階段,鐵路接觸網(wǎng)定位器檢修的自動(dòng)化水平較低,主要依靠傳統(tǒng)人工巡檢方式檢測(cè)。人工檢測(cè)的工作量極大,維修成本高并且效率低下。隨著我國(guó)鐵路檢修設(shè)備的快速發(fā)展和對(duì)自動(dòng)化檢測(cè)的需求越來(lái)越高,鐵路檢修行業(yè)開始使用圖像處理和機(jī)器學(xué)習(xí)的技術(shù)來(lái)對(duì)接觸網(wǎng)定位器進(jìn)行自動(dòng)化檢測(cè),基于視覺的定位器檢測(cè)系統(tǒng)如圖1 所示。此檢測(cè)技術(shù)雖然在一定程度上提高了檢測(cè)效率,降低了人工檢修的成本,但是受到傳統(tǒng)機(jī)器學(xué)習(xí)的弊端影響,造成檢測(cè)的精確度和實(shí)時(shí)性都比較低,不能滿足實(shí)際檢測(cè)的需求[3]?,F(xiàn)如今我國(guó)鐵路檢測(cè)已經(jīng)進(jìn)入“大數(shù)據(jù)”時(shí)代,迫切需要全面提高接觸網(wǎng)定位器的檢測(cè)技術(shù),實(shí)現(xiàn)高精確率和高實(shí)時(shí)性的自動(dòng)化檢測(cè)目標(biāo),切實(shí)保障高速列車的安全行駛。

    近二十年隨著硬件GPU 計(jì)算水平的大力提高,深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)和計(jì)算機(jī)視覺技術(shù)在學(xué)術(shù)界和工業(yè)界都取得了巨大成功。鐵路行業(yè)相關(guān)研究學(xué)者也廣泛采用基于卷積神經(jīng)網(wǎng)絡(luò)(convolu?tional neural networks,CNN)的計(jì)算機(jī)視覺技術(shù),在接觸網(wǎng)緊固件[4]、受電弓滑板磨耗[5]和軌道表面缺陷[6]等檢測(cè)領(lǐng)域取得了良好的檢測(cè)效果。在目標(biāo)檢測(cè)領(lǐng)域,以Faster R-CNN[7]為代表的基于候選區(qū)域目標(biāo)檢測(cè)算法在ImageNet[8]和MICROSOFT CO?CO[9]圖像數(shù)據(jù)庫(kù)中效果表現(xiàn)良好,在車輛檢測(cè)和行人檢測(cè)等得到了廣泛的實(shí)際應(yīng)用。然而,F(xiàn)aster R-CNN 算法對(duì)于小目標(biāo)的檢測(cè)效果不太好。基于定位器在接觸網(wǎng)采集圖像中所占區(qū)域比較小事實(shí),本文創(chuàng)新性設(shè)計(jì)了用于精確檢測(cè)小目標(biāo)的多尺度卷積特征,該特征融合了不同卷積神經(jīng)網(wǎng)絡(luò)層的低級(jí)和高級(jí)的卷積特征。因此我們把改進(jìn)后的Faster R-CNN 稱為多尺度特征Faster R-CNN(Multi-Lev?el Features Faster R-CNN,MLF-FRCNN)。

    圖1 高速鐵路定位器檢測(cè)視覺系統(tǒng)

    2 定位器檢測(cè)技術(shù)相關(guān)研究

    近年來(lái),我國(guó)鐵路行業(yè)相關(guān)學(xué)者在定位器檢測(cè)領(lǐng)域做了很多研究工作。范虎偉[11]提出首先利用Sobel 邊緣算子獲取圖像的邊緣輪廓線,然后使用鏈碼對(duì)定位器粗定位和Radon 變換精確定位相結(jié)合的檢測(cè)算法。段汝嬌[12]首先對(duì)定位器圖像進(jìn)行細(xì)化預(yù)處理,然后利用改進(jìn)的霍夫變換對(duì)細(xì)化圖像中的相鄰特征像素點(diǎn)聚類和感知編組,最后采用隨機(jī)霍夫變換使感知編組后的圖像中每條線段更接近直線,實(shí)現(xiàn)定位器快速而又準(zhǔn)確的檢測(cè)。王旭東[13]提出基于霍夫變換直線檢測(cè)與AdaBoost 相結(jié)合的定位器檢測(cè)算法。顧會(huì)建[14]提出基于灰度自相似度特征(Gray Self-Similarity)和AdaBoost 算法構(gòu)建定位器檢測(cè)的分類器,然后利用霍夫變換對(duì)定位器進(jìn)行精確檢測(cè)。前面所提出的定位器檢測(cè)算法主要利用人工獲取目標(biāo)特征,然后手工對(duì)目標(biāo)特征進(jìn)行編碼。然而現(xiàn)如今大規(guī)模的圖像檢測(cè)數(shù)據(jù)給這種基于傳統(tǒng)機(jī)器學(xué)習(xí)的檢測(cè)技術(shù)帶來(lái)了嚴(yán)峻挑戰(zhàn)。傳統(tǒng)檢測(cè)算法嚴(yán)重依賴于設(shè)計(jì)精妙的目標(biāo)特征描述子,容易陷入求解局部最優(yōu)解的陷阱,檢測(cè)精確度和速度偏低。深度卷積神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練過(guò)程中整合特征提取,可以有效地解決上述問題。鐘俊平[15]提出基于CNN 的接觸網(wǎng)開口銷不良狀態(tài)檢測(cè),所提的深度學(xué)習(xí)模型采用新型的錨機(jī)制產(chǎn)生目標(biāo)建議區(qū)域,提高了檢測(cè)準(zhǔn)確率。陳俊文提出[16]基于CNN 的接觸網(wǎng)緊固件缺陷檢測(cè),整個(gè)檢測(cè)模型采用了由粗檢到精檢的策略。劉志剛[17]研究了基于不同深度學(xué)習(xí)模型的接觸網(wǎng)支撐組件的定位和故障檢測(cè)算法,重點(diǎn)比較分析了基于Faster R-CNN[7]的檢測(cè)模型效果。

    Faster R-CNN 是R-CNN[18]家族中具有最優(yōu)異的檢測(cè)精確度和速度深度卷積網(wǎng)絡(luò)模型。但是Faster R-CNN本身存在著一個(gè)弊端,即其感興趣區(qū)域池化層(region of interest pooling,ROI-pooling)僅僅從單一高級(jí)卷積神經(jīng)網(wǎng)絡(luò)層的特征圖中構(gòu)建特征,比如VGG-16[19]模型只是從第五個(gè)卷積層(Conv5)的特征圖做候選區(qū)域池化運(yùn)算,忽略了從低級(jí)卷積特征圖中提取特征,這些低級(jí)特征對(duì)于檢測(cè)小目標(biāo)是非常重要的。因此我們提出了基于MLF-FRCNN 的定位器檢測(cè)模型,融合全局特征信息和局部特征信息,可以更好地包含檢測(cè)目標(biāo)的細(xì)節(jié)信息,提高定位器的檢測(cè)精度和魯棒性。

    3 所提模型

    3.1 Faster R-CNN的不足

    Faster R-CNN 起源于R-CNN,中間又經(jīng)歷了SPP-NET[20]和Fast R-CNN[21]的 發(fā) 展 而 最 終 形 成的。R-CNN 系列深度學(xué)習(xí)模型都是基于建議區(qū)域(region proposal)的目標(biāo)檢測(cè)算法,所以如何尋找和處理目標(biāo)的建議區(qū)域?qū)φ麄€(gè)模型檢測(cè)的性能有著至關(guān)重要的作用。搜索目標(biāo)的建議區(qū)域(region proposal)算法從最初的EdgeBoxes[22]或者Selective Search[23]算法發(fā)展到在Faster R-CNN 中使用的區(qū)域建議網(wǎng)絡(luò)(region proposal network,RPN),檢測(cè)的精確率和速度至此得到了大幅度的提高。Faster R-CNN 通過(guò)卷積特征共享的方法使RPN 和Fast R-CNN 高效地結(jié)合成一體完成目標(biāo)檢測(cè)的任務(wù)。然而Faster R-CNN 模型在提取目標(biāo)特征的過(guò)程中,其最后的Conv5 卷積層所對(duì)應(yīng)的感受野范圍是相當(dāng)大的。因此當(dāng)檢測(cè)小目標(biāo)的時(shí)候,Conv5 卷積層輸出結(jié)果只會(huì)包含很少的像素,不能很詳細(xì)地描述目標(biāo)的特征信息。更糟糕的是,隨著卷積神經(jīng)網(wǎng)絡(luò)層數(shù)越來(lái)越深,相應(yīng)特征圖上的每個(gè)像素點(diǎn)提取了感興趣區(qū)域(region of interest,ROI)之外越來(lái)越多的卷積信息。這意味著如果ROI很小,特征圖也就包含了更小比例的ROI內(nèi)部的信息。

    3.2 MLF-FRCNN的結(jié)構(gòu)

    跨層連接(skip-layer connections)在深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)領(lǐng)域中是一個(gè)比較常用的思想,它可以跨過(guò)中間神經(jīng)層而將低級(jí)和高級(jí)神經(jīng)層的輸出直接連接在一起。例如Sermanet[24]提出基于多步特征(multi-stage features)的行人檢測(cè),就是利用了跨層連接的思想。Liu[25]研究了當(dāng)采用跨層連接技術(shù)提取特征時(shí)特征歸一化的必要性。根據(jù)上述Faster R-CNN 的檢測(cè)弊端和相關(guān)學(xué)者的研究方向,我們認(rèn)為如果將局部特征和全局特征組合起來(lái)形成多尺度特征并加以高效利用,那么能夠更精確地檢測(cè)定位器小目標(biāo),同時(shí)具有較高的魯棒性。因此我們?nèi)略O(shè)計(jì)了多尺度特征,不僅有來(lái)自高級(jí)卷積神經(jīng)網(wǎng)絡(luò)層的高級(jí)特征,還有來(lái)自其他低級(jí)卷積層的特征,例如Conv3 和Conv4 等。這樣MLF-FRCNN 模型的特征提取工作更加完善,既能包含目標(biāo)的全局信息,還能包含更多的目標(biāo)細(xì)節(jié)信息,可以保證高效率地檢測(cè)小目標(biāo)。受Liu 研究工作的啟發(fā),我們?cè)谔崛《嗉?jí)卷積特征過(guò)程中加入了二范歸一化的處理。基于Liu 提出的ParseNet[25]模型,我們?cè)O(shè)計(jì)了如圖2 所示的MLF-FRCNN 深度卷積神經(jīng)網(wǎng)絡(luò)模型。MLF-FRCNN 的區(qū)域候選網(wǎng)絡(luò)和Faster R-CNN 的保持不變,但是我們重新設(shè)計(jì)了可以在不同尺度下提取卷積特征的Fast R-CNN 卷積神經(jīng)網(wǎng)絡(luò)去訓(xùn)練目標(biāo)的候選區(qū)域。新型多尺度特征深度卷積神經(jīng)網(wǎng)絡(luò)包含了5 個(gè)共享的卷積層,分別是Conv1,Conv2,Conv3,Conv4 和Conv5。前兩個(gè)卷積層Conv1和Conv2后面都相應(yīng)依次連接著線性整流函數(shù)(rectified linear unit,ReLU)激活層,局部響應(yīng)歸一化(local response normalization,LRN)層,最大池化(MAX-pooling)層。另外三個(gè)卷積層后面連接ReLU 激活層,它們的輸出結(jié)果做為相應(yīng)的ROI 池化層和歸一化層的輸入。隨后對(duì)來(lái)自不同卷積層的特征進(jìn)行拼接、尺度調(diào)節(jié)和降維處理(1×1 con?volution),形 成 多 尺 度 特 征(Multi-Level Fea?tures)。然后將得到的多尺度特征向量輸入到兩個(gè)全連接層(fully connected layer),最后softmax 回歸層完成目標(biāo)分類和調(diào)整目標(biāo)包絡(luò)框的檢測(cè)任務(wù)。

    圖2 MLF-FRCNN模型的結(jié)構(gòu)

    3.3 二范歸一化

    為了能夠在多尺度下提取小目標(biāo)的特征,我們需要在感興趣區(qū)域池化操作后將不同維度的特征向量連接起來(lái)。實(shí)際上每個(gè)卷積層的特征圖在通道數(shù)量和像素值大小范圍上都是不同的,例如卷積層越深,其特征圖上的像素值會(huì)越小。如果將各個(gè)不同卷積層的特征向量未加處理直接連接,那么淺層特征向量由于像素值較大而在多尺度特征所占權(quán)重過(guò)大,多尺度特征不能很客觀地描述小目標(biāo)而變得不可信,最后導(dǎo)致整個(gè)深度卷積神級(jí)網(wǎng)絡(luò)檢測(cè)性能非常差。因此,我們對(duì)要連接成多尺度特征的每個(gè)特征向量進(jìn)行二范歸一化處理和尺度調(diào)節(jié)[25],這樣能夠平衡大特征和小特征之間對(duì)多尺度特征的貢獻(xiàn)比,同時(shí)會(huì)使神經(jīng)網(wǎng)絡(luò)訓(xùn)練變得更加穩(wěn)定。特征向量的二范歸一化如式(1)和(2)所示:

    在神經(jīng)網(wǎng)路訓(xùn)練過(guò)程中,我們通過(guò)反向傳播(back propagation,BP)算法和鏈?zhǔn)椒▌t來(lái)計(jì)算尺度因子μi和特征向量X 的微分,如式(4)、(5)、(6)所示:

    式中,l 表示我們要最小化的損失函數(shù)。

    我們需要將二范歸一化層集成到Faster R-CNN 模型中,ROI-pooling 層從Conv3,Conv4 和Conv5 卷積層中提取特征,每個(gè)卷積層都獨(dú)立地將特征數(shù)據(jù)傳遞給二范歸一化層。然后將多個(gè)特征向量連接成一個(gè)特征向量并進(jìn)行尺度調(diào)節(jié),使數(shù)值縮放至合適范圍內(nèi)。為了使縮放后的特征向量能夠成功輸入到原Faster R-CNN 的全連接層,需要保證它們二者之間的維度大小一樣,所以增加了1×1 convolution 層,壓縮特征向量的通道數(shù)為1。高級(jí)和低級(jí)卷積層的特征向量經(jīng)過(guò)歸一化處理,特征拼接,尺度調(diào)節(jié)和降維處理后,形成了固定維度的多尺度特征向量,最后該特征向量輸入到深度卷積神經(jīng)網(wǎng)絡(luò)的全連接層進(jìn)行目標(biāo)分類和目標(biāo)包絡(luò)框的調(diào)整。

    3.4 改進(jìn)的anchor

    在Faster R-CNN 模型的區(qū)域建議網(wǎng)絡(luò)RPN中,錨(anchor)的設(shè)計(jì)采用了3 種尺度{128,256,512} 和3 種比例{1 :1,1:2,2:1} ,總共有9 種不同的候選建議窗口在特種圖上滑動(dòng)。然而接觸網(wǎng)定位器在我們線路試驗(yàn)采集的接觸網(wǎng)圖像中面積占比比較小,比例大概在0.009~0.042 的范圍之間,遠(yuǎn)小于ImageNet 和MICROSOFT COCO圖像數(shù)據(jù)集目標(biāo)的面積占比(0.014~0.463),同時(shí)定位器構(gòu)件的寬度值遠(yuǎn)大于其高度值。基于此,我們將anchor 尺度和比例相應(yīng)地改為{64,128,256}和{4 :1,6:1,8:1} 。改進(jìn)的anchor 在特征圖上產(chǎn)生包括中心點(diǎn)坐標(biāo)、高度和寬度一共4 個(gè)變量參數(shù)( x,y,h,w )的區(qū)域建議框。在卷積神經(jīng)網(wǎng)絡(luò)層的特征圖里每一個(gè)位置上,分別產(chǎn)生36 個(gè)( 4×9 )用于輸入到回歸神經(jīng)網(wǎng)絡(luò)層的參數(shù)和18 個(gè)( 2×9 )用于輸入到分類層的參數(shù)。RPN 在卷積特征圖上滑動(dòng)時(shí)一共產(chǎn)生H×W×9(H ,W 分別代表特征圖的高度和寬度)個(gè)anchor。

    4 實(shí)驗(yàn)分析

    我們創(chuàng)建了總數(shù)為6000 張的高速鐵路接觸網(wǎng)定位器圖像數(shù)據(jù)集來(lái)評(píng)估MLF-FRCNN 模型的檢測(cè)效果,其中3000 張作為網(wǎng)絡(luò)模型的訓(xùn)練集,1500張作為驗(yàn)證集,1500 張作為測(cè)試集。接觸網(wǎng)圖像分為有隧道和無(wú)隧道兩種拍攝背景,每一種拍攝背景下的接觸網(wǎng)圖像中包括了不同拍攝角度和光照強(qiáng)度情況。多樣化的接觸網(wǎng)圖像數(shù)據(jù)庫(kù)利于深度卷積模型的訓(xùn)練,提高定位器檢測(cè)算法的魯棒性。在模型訓(xùn)練之前,我們首先利用標(biāo)注工具對(duì)接觸網(wǎng)圖像中的定位器做人工標(biāo)注,存儲(chǔ)目標(biāo)的標(biāo)注數(shù)據(jù)。為了提高網(wǎng)絡(luò)模型對(duì)計(jì)算資源的使用效率,接觸網(wǎng)圖像的分辨率由原來(lái)的6 600×4 400 等比例降為600×400。隨后進(jìn)行零均值化處理,這樣可以在反向傳播中加快網(wǎng)絡(luò)中每一層權(quán)重參數(shù)的收斂。在MLF-FRCNN 模型訓(xùn)練階段,選用VGG16深度卷積神經(jīng)網(wǎng)絡(luò)模型,超參數(shù)學(xué)習(xí)率設(shè)置為0.001,選用動(dòng)量設(shè)置為0.9 的隨機(jī)梯度下降優(yōu)化器。硬件平臺(tái)包括2 GB RAM 的NVDIA TITAN X GPU和3.60GHz Intel i7-7700 CPU等。計(jì)算機(jī)選用Ubuntu操作系統(tǒng)選和Caffe[26]深度學(xué)習(xí)框架。

    本小節(jié)重點(diǎn)分析多尺度特征對(duì)MLF-FRCNN模型檢測(cè)效果的影響。表1 比較了不同卷積層特征經(jīng)過(guò)歸一化、尺度調(diào)節(jié)和降維操作連接成的多尺度特征對(duì)模型MLF-FRCNN 的平均精度均值(mean average precision,mAP)的影響。從表1 中我們可以看出,當(dāng)多尺度特征包含卷積層Conv3、Con4 和Conv5 特征時(shí)平均精度均值可以達(dá)到最高98%。若再增加卷積層Conv2的卷積特征時(shí)我們發(fā)現(xiàn)模型MLF-FRCNN 的平均精度均值并沒有得到實(shí)質(zhì)性的提高,反而在一定程度上增加了模型的復(fù)雜性,所以我們?cè)O(shè)計(jì)的多尺度特征實(shí)際上來(lái)自卷積層Conv3、Con4和Conv5。圖3展示了DPM[10]、Fast?er R-CNN 和MLF-FRCNN 的對(duì)比檢測(cè)效果。可以看出在隧道環(huán)境下和無(wú)隧道環(huán)境下,MLF-FRCNN定位器檢測(cè)模型的精確率和回召率都高于DPM 模型和Faster RCNN 模型,這表明設(shè)計(jì)的多尺度特征對(duì)于檢測(cè)小目標(biāo)的定位器有很大的幫助。DPM 模型的檢測(cè)效果最差,大約只有70%。其中主要原因是DPM 基于傳統(tǒng)機(jī)器學(xué)習(xí),提取目標(biāo)特征和訓(xùn)練特征進(jìn)行目標(biāo)分類的過(guò)程是獨(dú)立的,并且目標(biāo)特征的描述子高度依賴人工設(shè)計(jì),有時(shí)候并不能良好地描述目標(biāo)。Faster R-CNN 的檢測(cè)效果處于兩外二者之間,大約為92%。Faster R-CNN 與DPM 模型相比最大的不同之處是采用了深度卷積神經(jīng)網(wǎng)絡(luò),能夠做到端到端學(xué)習(xí),可以大幅度提高檢測(cè)效果。MLF-FRCNN 與Faster R-CNN 相比,實(shí)現(xiàn)了可以在多個(gè)不同尺度下提取目標(biāo)特征,該多尺度特征包含了目標(biāo)的局部細(xì)節(jié)信息,所以檢測(cè)效果是最優(yōu)的,高達(dá)98%。橫向?qū)Ρ韧环N模型在兩種不同檢測(cè)環(huán)境下的效果,我們發(fā)現(xiàn)三種模型在無(wú)隧道的環(huán)境下定位器檢測(cè)的精確率和回召率都要高于隧道環(huán)境。該現(xiàn)象發(fā)生的主要因素是在隧道下拍攝的接觸網(wǎng)圖像背景顯得更復(fù)雜,客觀上增加了定位器的檢測(cè)難度。

    圖3 上圖和下圖分別為無(wú)隧道和有隧道環(huán)境下三種檢測(cè)模型的比較

    表1 從不同卷積層連接多尺度特征的檢測(cè)效果比較

    表2 三種定位器檢測(cè)模型的幀率比較

    表2 展 示 了DPM、Faster R-CNN 和MLFFRCNN 定位器檢測(cè)模型的幀率(Frames Per Sec?ond,F(xiàn)PS)。與Faster R-CNN 相比,MLF-FRCNN 由于使用了多尺度特征增加了一定的復(fù)雜性而導(dǎo)致檢測(cè)速度慢了大概1%,該模型的檢測(cè)幀率為4.65。MLF-FRCNN 模型的檢測(cè)速度比DPM 模型快了大約10 倍,可以很好地滿足實(shí)際檢測(cè)中高實(shí)時(shí)性的要求。另外,MLF-FRCNN 模型檢測(cè)幀率的標(biāo)準(zhǔn)差低于DPM 和Faster R-CNN 的標(biāo)準(zhǔn)差,這說(shuō)明我們所提出的模型更具有穩(wěn)定性。圖4 展示了基于MLF-FRCNN 的定位器檢測(cè)模型的最終檢測(cè)結(jié)果,矩形框即為檢測(cè)到的定位器。圖4 的前2 個(gè)子圖片顯示的是在無(wú)隧道場(chǎng)景下定位器檢測(cè)結(jié)果,后4 個(gè)子圖片顯示的是在有隧道場(chǎng)景下的檢測(cè)結(jié)果。綜上分析,基于MLF-FRCNN 的定位器檢測(cè)模型具有高精確率和高實(shí)時(shí)性的特點(diǎn),同時(shí)具有較好的魯棒性。

    圖4 基于MLF-FRCNN的定位器檢測(cè)結(jié)果

    5 結(jié)語(yǔ)

    本文提出了一種基于MLF-FRCNN 的高速鐵路接觸網(wǎng)定位器檢測(cè)模型,主要在以下兩個(gè)方面進(jìn)行了創(chuàng)新。首先是該模型很巧妙地融合了來(lái)自不同卷積神經(jīng)網(wǎng)絡(luò)層的特征,將分別來(lái)自高級(jí)和低級(jí)卷積層的特征向量經(jīng)過(guò)二范歸一化后進(jìn)行特征拼接,隨后對(duì)其尺度調(diào)節(jié)和降維處理,最終形成了多尺度特征。該多尺度特征能夠更好地包含目標(biāo)的整體信息和局部細(xì)節(jié)信息,因此更利于檢測(cè)定位器這種小目標(biāo)。另外,我們根據(jù)定位器的結(jié)構(gòu)特點(diǎn),重新制定了RPN 網(wǎng)絡(luò)中anchor 的尺度和比例設(shè)計(jì)規(guī)則,使其能好地符合檢測(cè)定位器這種目標(biāo)場(chǎng)景。試驗(yàn)結(jié)果表明,基于MLF-FRCNN 的定位器檢測(cè)模型比DPM 模型和Faster R-CNN 在檢測(cè)精確度方面提高了很多,同時(shí)具有很高的實(shí)時(shí)性和魯棒性,這對(duì)高速鐵路定位器的后期維修工作具有重要的意義。由于高速鐵路接觸網(wǎng)圖像的拍攝環(huán)境很惡劣,其圖像背景很復(fù)雜,造成定位器的自動(dòng)化檢測(cè)這項(xiàng)工作很有挑戰(zhàn)性。面向未來(lái),我們需要在如何設(shè)計(jì)高效的多尺度特征方面做更加深入的研究,繼續(xù)提高定位器檢測(cè)的精確度。另外如何從整體上對(duì)該深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化,提高檢測(cè)的速度也是非常有價(jià)值的。

    猜你喜歡
    定位器特征向量接觸網(wǎng)
    二年制職教本科線性代數(shù)課程的幾何化教學(xué)設(shè)計(jì)——以特征值和特征向量為例
    克羅內(nèi)克積的特征向量
    為開通打下基礎(chǔ)!這條國(guó)際鐵路完成接觸網(wǎng)平推驗(yàn)收
    定位器故障分析及控制措施
    壓接類定位器壓接工藝設(shè)備改進(jìn)方案
    一類特殊矩陣特征向量的求法
    接觸網(wǎng)設(shè)備“運(yùn)、檢、修”分離改革的探討
    EXCEL表格計(jì)算判斷矩陣近似特征向量在AHP法檢驗(yàn)上的應(yīng)用
    高速鐵路接觸網(wǎng)研究進(jìn)展
    接觸網(wǎng)避雷器接地系統(tǒng)分析
    欧美乱色亚洲激情| 国产午夜福利久久久久久| 中文字幕人妻熟人妻熟丝袜美| 男人舔奶头视频| 97人妻精品一区二区三区麻豆| 欧美成人免费av一区二区三区| 老鸭窝网址在线观看| 国产伦人伦偷精品视频| 国产精品久久久久久精品电影| 不卡一级毛片| 白带黄色成豆腐渣| 日本撒尿小便嘘嘘汇集6| 精品一区二区三区视频在线| 久久久久久久精品吃奶| 亚洲精品一区av在线观看| 动漫黄色视频在线观看| 欧美色欧美亚洲另类二区| 亚洲欧美日韩高清专用| 成人性生交大片免费视频hd| bbb黄色大片| 97超视频在线观看视频| 婷婷精品国产亚洲av在线| 欧美乱色亚洲激情| 国产aⅴ精品一区二区三区波| 国产亚洲精品久久久com| 国产一区二区激情短视频| 最好的美女福利视频网| 成人高潮视频无遮挡免费网站| av黄色大香蕉| 日韩 亚洲 欧美在线| 久久6这里有精品| 男女床上黄色一级片免费看| 国产男靠女视频免费网站| 国产乱人伦免费视频| 亚洲三级黄色毛片| av女优亚洲男人天堂| 久久中文看片网| 日韩精品青青久久久久久| 不卡一级毛片| 色综合欧美亚洲国产小说| 嫩草影院入口| 国产爱豆传媒在线观看| 国产精品98久久久久久宅男小说| 在线观看舔阴道视频| 亚洲在线观看片| 亚洲久久久久久中文字幕| 成人性生交大片免费视频hd| 午夜精品在线福利| 麻豆成人午夜福利视频| 免费电影在线观看免费观看| 婷婷精品国产亚洲av在线| 全区人妻精品视频| 亚洲,欧美,日韩| 老女人水多毛片| 美女高潮的动态| 好男人在线观看高清免费视频| 免费人成视频x8x8入口观看| 一个人免费在线观看的高清视频| 91麻豆精品激情在线观看国产| 国产91精品成人一区二区三区| 成年免费大片在线观看| 51午夜福利影视在线观看| 日韩中字成人| 少妇被粗大猛烈的视频| 久久久久久九九精品二区国产| 国产色婷婷99| 蜜桃久久精品国产亚洲av| 一进一出抽搐动态| 国模一区二区三区四区视频| 色哟哟·www| 男女做爰动态图高潮gif福利片| 亚洲av成人不卡在线观看播放网| 女同久久另类99精品国产91| 99国产精品一区二区三区| 欧美高清性xxxxhd video| 日本黄色片子视频| 特大巨黑吊av在线直播| 久久伊人香网站| 啦啦啦韩国在线观看视频| 丝袜美腿在线中文| 中文字幕熟女人妻在线| 午夜福利在线在线| 村上凉子中文字幕在线| av国产免费在线观看| 日韩中字成人| 日韩欧美国产一区二区入口| 久久精品人妻少妇| 久久久久久九九精品二区国产| 色5月婷婷丁香| 伦理电影大哥的女人| 国产伦在线观看视频一区| 在线看三级毛片| 久99久视频精品免费| 一级作爱视频免费观看| 中文字幕精品亚洲无线码一区| 最近在线观看免费完整版| 成人av在线播放网站| 97超级碰碰碰精品色视频在线观看| 国产成人aa在线观看| 无人区码免费观看不卡| 国产成人aa在线观看| 色av中文字幕| 国产精品一区二区免费欧美| 国产探花在线观看一区二区| 人妻久久中文字幕网| 国产视频内射| bbb黄色大片| 欧美成狂野欧美在线观看| 中亚洲国语对白在线视频| 欧美日韩乱码在线| 久久精品综合一区二区三区| 宅男免费午夜| 丰满的人妻完整版| 五月伊人婷婷丁香| 2021天堂中文幕一二区在线观| 色视频www国产| 老司机午夜十八禁免费视频| av女优亚洲男人天堂| 老司机午夜十八禁免费视频| 成人av在线播放网站| 精品欧美国产一区二区三| 久久午夜福利片| 国产精品久久久久久人妻精品电影| 亚洲性夜色夜夜综合| 人妻夜夜爽99麻豆av| 亚洲一区二区三区不卡视频| 麻豆一二三区av精品| 啦啦啦观看免费观看视频高清| 中文在线观看免费www的网站| 中文字幕免费在线视频6| 欧美3d第一页| 久久99热6这里只有精品| 午夜激情福利司机影院| 日韩有码中文字幕| 最近在线观看免费完整版| 国产亚洲av嫩草精品影院| 日韩欧美精品免费久久 | 美女cb高潮喷水在线观看| 中国美女看黄片| 亚洲五月天丁香| 一区二区三区四区激情视频 | 少妇的逼好多水| 97超视频在线观看视频| 天堂动漫精品| 男女床上黄色一级片免费看| 五月玫瑰六月丁香| 久久精品久久久久久噜噜老黄 | 亚洲av电影在线进入| 久久久久久久久大av| 宅男免费午夜| 99久久精品热视频| 99久久精品热视频| 亚洲综合色惰| 99久久精品热视频| 欧美午夜高清在线| 久久精品国产清高在天天线| 久久久久久久久大av| 国产精品,欧美在线| 在线免费观看的www视频| 九九在线视频观看精品| 特级一级黄色大片| 久久久久精品国产欧美久久久| 亚洲精品乱码久久久v下载方式| 免费一级毛片在线播放高清视频| 又黄又爽又免费观看的视频| 欧美+亚洲+日韩+国产| 亚州av有码| 亚洲国产欧美人成| 中文字幕熟女人妻在线| 俄罗斯特黄特色一大片| 国内毛片毛片毛片毛片毛片| 欧美性猛交╳xxx乱大交人| 亚洲性夜色夜夜综合| 欧美日韩乱码在线| 两个人视频免费观看高清| 色精品久久人妻99蜜桃| 啪啪无遮挡十八禁网站| 免费观看的影片在线观看| 国产真实乱freesex| 老司机福利观看| 欧美国产日韩亚洲一区| 九色国产91popny在线| 天堂影院成人在线观看| 国产69精品久久久久777片| 特大巨黑吊av在线直播| 丁香六月欧美| 婷婷精品国产亚洲av| 亚洲精品在线观看二区| 国产午夜精品久久久久久一区二区三区 | 超碰av人人做人人爽久久| 国产精品久久视频播放| 午夜精品在线福利| 如何舔出高潮| 国产av麻豆久久久久久久| 国产在线男女| 中文字幕av在线有码专区| 特级一级黄色大片| 伊人久久精品亚洲午夜| 全区人妻精品视频| 悠悠久久av| 最好的美女福利视频网| 长腿黑丝高跟| 一夜夜www| 99精品久久久久人妻精品| 好男人在线观看高清免费视频| 国产成人影院久久av| 免费观看的影片在线观看| 久99久视频精品免费| 国产亚洲欧美98| 蜜桃亚洲精品一区二区三区| 校园春色视频在线观看| 国产在视频线在精品| 国产av麻豆久久久久久久| 国产伦一二天堂av在线观看| 亚洲精品一卡2卡三卡4卡5卡| 欧美日韩黄片免| 神马国产精品三级电影在线观看| 国产在线精品亚洲第一网站| 成人性生交大片免费视频hd| 欧美丝袜亚洲另类 | 成人av在线播放网站| 日本黄色片子视频| 丰满人妻熟妇乱又伦精品不卡| 免费观看精品视频网站| 亚洲av五月六月丁香网| 国产高潮美女av| 男女做爰动态图高潮gif福利片| 亚洲精品粉嫩美女一区| 亚洲精华国产精华精| 国产精品亚洲av一区麻豆| 国产视频内射| 国产成人啪精品午夜网站| 亚洲人成网站高清观看| 人人妻人人看人人澡| 国产乱人伦免费视频| 午夜福利高清视频| 婷婷精品国产亚洲av在线| 色噜噜av男人的天堂激情| 免费观看人在逋| 青草久久国产| 国产日本99.免费观看| 蜜桃久久精品国产亚洲av| 国产亚洲精品综合一区在线观看| 亚洲国产日韩欧美精品在线观看| 国产免费男女视频| 日本成人三级电影网站| ponron亚洲| 五月伊人婷婷丁香| 男女床上黄色一级片免费看| 在线观看美女被高潮喷水网站 | 亚洲人与动物交配视频| 午夜福利成人在线免费观看| 淫妇啪啪啪对白视频| 日日摸夜夜添夜夜添av毛片 | 亚洲欧美日韩东京热| 日本黄大片高清| 搡老岳熟女国产| 男女床上黄色一级片免费看| 免费观看人在逋| 免费观看的影片在线观看| 欧美黄色淫秽网站| 小蜜桃在线观看免费完整版高清| 日韩欧美在线乱码| 欧美精品啪啪一区二区三区| 久久久久久九九精品二区国产| 免费av毛片视频| 18美女黄网站色大片免费观看| 桃色一区二区三区在线观看| www.熟女人妻精品国产| 色综合婷婷激情| 久久精品人妻少妇| 黄色女人牲交| 黄色视频,在线免费观看| 一本久久中文字幕| 国产成人欧美在线观看| 怎么达到女性高潮| 婷婷亚洲欧美| 欧美+亚洲+日韩+国产| 九九久久精品国产亚洲av麻豆| 国产一区二区三区在线臀色熟女| 色精品久久人妻99蜜桃| aaaaa片日本免费| 国产成人a区在线观看| 亚洲国产精品合色在线| 国产精品一区二区性色av| 男女下面进入的视频免费午夜| 亚洲精品粉嫩美女一区| 中亚洲国语对白在线视频| 免费在线观看亚洲国产| 国产探花在线观看一区二区| 精品国产亚洲在线| 久久久成人免费电影| 热99在线观看视频| 少妇裸体淫交视频免费看高清| 我要搜黄色片| 亚洲成a人片在线一区二区| 亚洲成av人片在线播放无| 国产精品影院久久| 男人的好看免费观看在线视频| 最近最新免费中文字幕在线| 国产v大片淫在线免费观看| 看片在线看免费视频| 永久网站在线| 少妇的逼好多水| 一级黄片播放器| 日韩欧美国产在线观看| 精品不卡国产一区二区三区| 久久99热这里只有精品18| 51午夜福利影视在线观看| 国内精品久久久久久久电影| 淫妇啪啪啪对白视频| 每晚都被弄得嗷嗷叫到高潮| 少妇的逼好多水| 狂野欧美白嫩少妇大欣赏| 中文字幕高清在线视频| 精品不卡国产一区二区三区| 久久国产乱子免费精品| 淫秽高清视频在线观看| 国产欧美日韩一区二区精品| 99久久成人亚洲精品观看| 免费看光身美女| 日本五十路高清| 深爱激情五月婷婷| 简卡轻食公司| 淫妇啪啪啪对白视频| 国产精品1区2区在线观看.| 人人妻人人澡欧美一区二区| 免费高清视频大片| 久久久久九九精品影院| 精品99又大又爽又粗少妇毛片 | 亚洲国产精品久久男人天堂| 内射极品少妇av片p| 在线观看av片永久免费下载| 88av欧美| 桃红色精品国产亚洲av| 日本在线视频免费播放| 成人国产综合亚洲| 村上凉子中文字幕在线| 亚洲最大成人av| 一进一出抽搐动态| 脱女人内裤的视频| 欧美区成人在线视频| 在线观看一区二区三区| 欧美在线一区亚洲| 成年女人毛片免费观看观看9| av专区在线播放| 中文亚洲av片在线观看爽| 婷婷色综合大香蕉| 一区二区三区四区激情视频 | 亚洲成a人片在线一区二区| 99久久成人亚洲精品观看| 白带黄色成豆腐渣| av欧美777| 色精品久久人妻99蜜桃| 中文在线观看免费www的网站| 黄色日韩在线| 精品一区二区免费观看| 日本 欧美在线| 麻豆av噜噜一区二区三区| 看免费av毛片| 国产精品国产高清国产av| 亚洲自拍偷在线| 我要搜黄色片| 国产成人欧美在线观看| 欧美+日韩+精品| 亚洲欧美日韩无卡精品| 我要搜黄色片| 成年女人毛片免费观看观看9| 特级一级黄色大片| 亚洲国产精品sss在线观看| 观看美女的网站| 国产亚洲欧美98| 搞女人的毛片| 丁香欧美五月| 在线观看午夜福利视频| 亚洲在线自拍视频| 此物有八面人人有两片| 极品教师在线免费播放| 国产亚洲av嫩草精品影院| 99久久成人亚洲精品观看| 亚洲av五月六月丁香网| 日韩欧美一区二区三区在线观看| 日日干狠狠操夜夜爽| 日本撒尿小便嘘嘘汇集6| 久久久久免费精品人妻一区二区| 精品人妻1区二区| 我要看日韩黄色一级片| 老司机午夜十八禁免费视频| 色5月婷婷丁香| 丁香欧美五月| 色播亚洲综合网| 国产久久久一区二区三区| 又紧又爽又黄一区二区| 国产精品免费一区二区三区在线| 毛片女人毛片| 国产精品电影一区二区三区| 在线天堂最新版资源| 国产精品,欧美在线| 真人一进一出gif抽搐免费| 99热这里只有是精品50| 我的老师免费观看完整版| 十八禁网站免费在线| 午夜精品久久久久久毛片777| 国产成人a区在线观看| 一进一出抽搐gif免费好疼| 国产三级黄色录像| 非洲黑人性xxxx精品又粗又长| 亚洲国产日韩欧美精品在线观看| 日本五十路高清| 91在线精品国自产拍蜜月| 亚洲天堂国产精品一区在线| 午夜两性在线视频| 久久久久久国产a免费观看| 欧美丝袜亚洲另类 | 日韩大尺度精品在线看网址| ponron亚洲| 久久久久久大精品| 久久99热6这里只有精品| 欧美激情久久久久久爽电影| 国产免费一级a男人的天堂| 欧美一区二区国产精品久久精品| 国产v大片淫在线免费观看| 亚洲 欧美 日韩 在线 免费| 免费看美女性在线毛片视频| 国产精品久久电影中文字幕| 精品国产亚洲在线| 国产精品女同一区二区软件 | x7x7x7水蜜桃| 国产精品98久久久久久宅男小说| 亚洲精品粉嫩美女一区| 97超级碰碰碰精品色视频在线观看| 黄色一级大片看看| 在线免费观看的www视频| 免费在线观看亚洲国产| 亚洲经典国产精华液单 | 欧美日韩亚洲国产一区二区在线观看| 变态另类成人亚洲欧美熟女| or卡值多少钱| 精品日产1卡2卡| 国产乱人伦免费视频| 99久久99久久久精品蜜桃| 国内揄拍国产精品人妻在线| 一本一本综合久久| 国产精品乱码一区二三区的特点| 色吧在线观看| 日本黄色片子视频| 成人特级黄色片久久久久久久| 亚洲av日韩精品久久久久久密| 亚洲不卡免费看| 国产精品综合久久久久久久免费| 乱人视频在线观看| 久久伊人香网站| 久久精品91蜜桃| 18禁在线播放成人免费| 亚洲第一电影网av| 大型黄色视频在线免费观看| 免费看美女性在线毛片视频| 高清在线国产一区| 我的老师免费观看完整版| 亚洲av一区综合| 国产大屁股一区二区在线视频| 我的老师免费观看完整版| 国内毛片毛片毛片毛片毛片| av黄色大香蕉| 老熟妇仑乱视频hdxx| 欧美日韩乱码在线| 色尼玛亚洲综合影院| 亚洲人成伊人成综合网2020| 色5月婷婷丁香| 久久精品国产自在天天线| 欧美xxxx性猛交bbbb| 国产黄片美女视频| 免费av毛片视频| 美女 人体艺术 gogo| 国产精品亚洲一级av第二区| 国产精品女同一区二区软件 | 亚洲av电影不卡..在线观看| 此物有八面人人有两片| 亚洲精品影视一区二区三区av| 成人精品一区二区免费| 亚洲综合色惰| 色视频www国产| 午夜福利在线观看免费完整高清在 | 在线天堂最新版资源| 日韩欧美免费精品| 亚洲欧美日韩高清在线视频| 日韩成人在线观看一区二区三区| 禁无遮挡网站| 在线十欧美十亚洲十日本专区| www.999成人在线观看| 国产精品永久免费网站| 久久人人精品亚洲av| 别揉我奶头~嗯~啊~动态视频| 亚洲av二区三区四区| 亚洲av电影在线进入| 一本精品99久久精品77| 亚洲美女黄片视频| 好男人在线观看高清免费视频| 在线十欧美十亚洲十日本专区| 国产欧美日韩精品亚洲av| 校园春色视频在线观看| 久久精品人妻少妇| 成人无遮挡网站| 91狼人影院| 久久中文看片网| 热99re8久久精品国产| 在线a可以看的网站| 一夜夜www| 国产色婷婷99| 久久这里只有精品中国| 99久久精品国产亚洲精品| 成年女人看的毛片在线观看| 国产高清有码在线观看视频| 天堂av国产一区二区熟女人妻| 国产免费av片在线观看野外av| aaaaa片日本免费| 永久网站在线| 免费搜索国产男女视频| 搡老熟女国产l中国老女人| 国产精品一区二区三区四区久久| 亚洲人成网站在线播| 国产一级毛片七仙女欲春2| 两个人视频免费观看高清| 波多野结衣巨乳人妻| 男人舔女人下体高潮全视频| 熟女人妻精品中文字幕| 99视频精品全部免费 在线| 一区二区三区四区激情视频 | 日韩欧美在线乱码| 天堂√8在线中文| 九色国产91popny在线| 国产精品av视频在线免费观看| 国产成人欧美在线观看| 午夜福利高清视频| 日韩高清综合在线| 亚洲色图av天堂| 日本免费a在线| 欧美潮喷喷水| 日韩欧美一区二区三区在线观看| 精品无人区乱码1区二区| 欧美日韩黄片免| 欧美成人一区二区免费高清观看| 91在线观看av| 色哟哟·www| 真实男女啪啪啪动态图| 一级a爱片免费观看的视频| 欧美xxxx性猛交bbbb| 午夜福利在线观看免费完整高清在 | 亚洲 国产 在线| 成年人黄色毛片网站| 麻豆成人av在线观看| 国产精品自产拍在线观看55亚洲| av在线老鸭窝| 久久久久久久久大av| 免费在线观看成人毛片| 国产免费一级a男人的天堂| 男人的好看免费观看在线视频| 757午夜福利合集在线观看| 俄罗斯特黄特色一大片| 国产精品野战在线观看| 天堂√8在线中文| 男女那种视频在线观看| 国产免费av片在线观看野外av| 欧洲精品卡2卡3卡4卡5卡区| 美女大奶头视频| 国产v大片淫在线免费观看| 精品久久久久久久久亚洲 | 精品欧美国产一区二区三| 欧美三级亚洲精品| 国产亚洲精品久久久com| 成年女人看的毛片在线观看| 亚洲精品久久国产高清桃花| 网址你懂的国产日韩在线| 久久亚洲真实| av福利片在线观看| 一区二区三区免费毛片| 又紧又爽又黄一区二区| 性插视频无遮挡在线免费观看| 又黄又爽又免费观看的视频| 黄色丝袜av网址大全| 少妇丰满av| 99久国产av精品| 丁香欧美五月| 国产v大片淫在线免费观看| 婷婷色综合大香蕉| 欧美日韩亚洲国产一区二区在线观看| 一级a爱片免费观看的视频| 性欧美人与动物交配| 午夜福利18| 在线看三级毛片| 亚洲美女黄片视频| 国产单亲对白刺激| 精品人妻视频免费看| 99久国产av精品| 搡女人真爽免费视频火全软件 | 国产亚洲精品综合一区在线观看| 久久精品综合一区二区三区| 亚洲av中文字字幕乱码综合| 丰满乱子伦码专区| 18+在线观看网站| 99国产综合亚洲精品| 成人永久免费在线观看视频| 亚洲狠狠婷婷综合久久图片| 国产亚洲精品综合一区在线观看| 舔av片在线| 特级一级黄色大片| 日日干狠狠操夜夜爽| 欧美不卡视频在线免费观看| 亚洲五月天丁香| 国产老妇女一区| 在现免费观看毛片| 欧美一区二区精品小视频在线| 一进一出抽搐动态| 欧美又色又爽又黄视频| 99热这里只有是精品在线观看 |