• <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 FCOS 和 ResNet50-FL 的吊弦不受力識別方法

    2021-04-02 05:58:52彭繼慎閆云鳳齊冬蓮
    鐵道學報 2021年10期
    關(guān)鍵詞:吊弦接觸網(wǎng)焦點

    陳 強, 彭繼慎, 閆云鳳, 齊冬蓮

    (1.浙江大學 電氣工程學院,浙江 杭州 310027;2.遼寧工程技術(shù)大學 電氣與控制工程學院,遼寧 葫蘆島 125105)

    在電氣化鐵路行業(yè)中,吊弦對接觸網(wǎng)的穩(wěn)定運行起著至關(guān)重要的作用。在鏈型懸掛中,接觸線通過吊弦懸掛在承力索上,通過調(diào)節(jié)吊弦長度保證接觸懸掛的結(jié)構(gòu)高度和接觸線高度,從而改善接觸懸掛的彈性,提高受電弓的受流質(zhì)量。然而,受電弓與懸鏈線之間存在復雜的機械和電氣相互作用,這不可避免地導致受電弓接觸網(wǎng)系統(tǒng)的高缺陷率,并嚴重影響操作安全性。由于長期操作中的振動和激勵導致吊弦松脫變形不受力,會影響接觸懸掛的結(jié)構(gòu)高度和接觸線高度,導致受電弓受流質(zhì)量下降,對整個系統(tǒng)造成不可避免的損害。

    為及時發(fā)現(xiàn)不受力吊弦,保障高速鐵路接觸網(wǎng)穩(wěn)定運行,構(gòu)建高速鐵路供電安全檢測監(jiān)測系統(tǒng),結(jié)合接觸網(wǎng)懸掛狀態(tài)檢測監(jiān)測裝置獲得的高清圖像,通過離線讀取捕獲圖像中的大量數(shù)據(jù),手動檢測缺陷。

    但是,隨著高速鐵路的大規(guī)模建設(shè),中國電氣化鐵路的總里程已超過 10 萬km,通過人工讀取檢測缺陷顯然不太可能,工作人員很容易視覺疲勞,并相應(yīng)地遺漏一些缺陷。

    近年來,隨著計算機視覺技術(shù)的快速發(fā)展,基于圖像處理技術(shù)的接觸網(wǎng)零部件缺陷識別方法由于安全性高、行車干擾小等優(yōu)勢,在接觸網(wǎng)缺陷識別中獲得越來越廣泛的應(yīng)用[1]。文獻[2]通過 Hough 變換對采集到的接觸網(wǎng)圖像中的直線特征進行提取,根據(jù) AdaBoost 算法找出能夠代表支柱的直線,從而確定定位器的位置。文獻[3]提出一種基于局部特征描述的統(tǒng)計模式識別算法和螺釘灰度分布規(guī)律的圖像檢測方法,檢測斜撐套筒的螺釘松脫與脫落。文獻[4]采用 Hough 直線檢測初定位開口銷,PBoW 模型對初定位圖片進行分類,SIFT 算法細定位開口銷,使用 Hough 累加矩陣實現(xiàn)多位置開口銷不良狀態(tài)的同時檢測。以上基于傳統(tǒng)機器學習的方法由于需要人工設(shè)計特征,魯棒性較差,具有較大的局限性。得益于深度卷積神經(jīng)網(wǎng)絡(luò) (Deep Convolutional Neural Network,DCNN) 在計算機視覺方面的重大突破,越來越多的文章采用基于 DCNN 的深度學習方法進行缺陷檢測。文獻[5]分3個階段實現(xiàn)等電位線松散故障自動檢測,采用卷積神經(jīng)網(wǎng)絡(luò)提取等電位線特征,基于馬爾可夫隨機場模型進行圖像分割,通過分析獨立連接區(qū)域的數(shù)量和像素的標準偏差給出故障狀態(tài)。文獻[6]采用3個階段實現(xiàn)接觸網(wǎng)支撐裝置上的緊固件自動缺陷檢測,先用 SSD 對緊固件進行粗定位,然后用 YOLO 對緊固件細定位,最后采用分類網(wǎng)絡(luò)進行缺陷識別。以上兩種方法由于流程復雜,階段繁多,很難在實際應(yīng)用中推廣。文獻[7]采用級聯(lián)的Faster R-CNN 對高鐵接觸網(wǎng)支撐裝置上的等電位線進行故障檢測。Faster R-CNN 本身是一個兩階段的目標檢測框架,級聯(lián)兩個 Faster R-CNN 進行故障檢測顯得略微臃腫,而且速度不夠高,難以達到實時的要求。

    本文針對接觸網(wǎng)吊弦不受力的缺陷識別問題,提出一種基于深度學習的吊弦不受力識別方法。該方法分為兩階段:第一階段通過 FCOS[8]對高速鐵路接觸網(wǎng)圖像中的吊弦區(qū)域進行檢測定位;第二階段通過添加焦點損失[9](Focal Loss,F(xiàn)L)的ResNet50[10]分類網(wǎng)絡(luò)(ResNet50-FL),對檢測定位到的吊弦進行分類識別,獲得吊弦不受力的圖像。

    1 方法描述

    本文提出方法的整體流程如圖 1 所示。其中輸入圖片固定尺寸為 1 024×800,送入 FCOS 檢測網(wǎng)絡(luò)定位吊弦的位置,從圖中提取 (crop) 出吊弦區(qū)域并縮放 (resize) 為固定尺寸 224×224,送入添加焦點損失的 ResNet50 分類網(wǎng)絡(luò)獲取吊弦的狀態(tài)——正常(受力)或異常(不受力)。

    圖1 識別方法的整體流程

    1.1 吊弦定位

    采用FCOS吊弦定位算法,其網(wǎng)絡(luò)架構(gòu)如圖2所示。圖2中,C3、C4、C5 表示主干網(wǎng)絡(luò)的特征圖,P3—P7 是用于最終預測的特征層。H×W是特征圖的高度和寬度。s(s= 8,16,…,128) 是特征圖相對于輸入圖像的下采樣率。首先用全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Neural Network,F(xiàn)CN)[11]代替卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN) 重新構(gòu)造目標檢測器;然后說明如何利用多級預測來提高召回率并解決邊界框重疊導致的歧義;最后介紹中心度 (Center-ness) 分支,該分支有助于抑制檢測到的劣質(zhì)邊界框并大幅度提高整體性能。

    圖2 FCOS 網(wǎng)絡(luò)架構(gòu)

    1.1.1 全卷積一階段目標檢測器

    對于特征圖Fi的每個位置 (x,y),可以將其映射到輸入圖像 (?s/2」+xs,?s/2」+ys) 上,該位置靠近特征圖接收域的中心。位置 (x,y) 與基于錨的檢測器不同,后者將輸入圖像上的位置視為多個錨框的中心,并以這些錨框作為參考回歸目標邊界框,直接在該位置回歸目標邊界框。換句話說,檢測器直接將位置視為訓練樣本,而不是像基于錨的檢測器那樣,將錨框視為訓練樣本。

    具體來說,如果位置 (x,y) 落入任何一個真實框內(nèi)且該位置的類別標簽c是真實框的類別標簽,則將其視為正樣本。否則,它是一個負樣本,即背景類,并且c= 0。除了分類標簽外,還有一個四維實向量T*=(l*,t*,r*,b*) 作為位置的回歸目標。l*、t*、r*、b*為位置到邊界框4個邊的距離,如圖 3 所示。如果某個位置落入多個邊界框,則將其視為模棱兩可的樣本。只需選擇面積最小的邊界框作為回歸目標。如果位置 (x,y) 與邊界框Bi相關(guān)聯(lián),則該位置的訓練回歸目標為

    圖3 FCOS 預測的四維實向量含義

    ( 1 )

    1.1.2 使用 FPN 進行 FCOS 的多級預測

    根據(jù) FPN[12],在不同級別的特征圖上檢測到不同大小的目標。具體來說,使用了定義為 {P3,P4,P5,P6,P7}5個級別的特征圖。P3、P4、P5 由主干 CNN 的特征圖 C3、C4、C5 后跟 FPN 中具有自上而下連接的 1×1 卷積層生成,如圖 2 所示。P6 和 P7 通過在 P5 和 P6 上分別應(yīng)用步長為 2 的一個卷積層來實現(xiàn)。結(jié)果,特征層 P3、P4、P5、P6 和 P7 的步長分別為 8、16、32、64 和 128。

    與基于錨的檢測器不同,后者將不同大小的錨框分配給不同的特征級別,F(xiàn)COS 直接限制了每個級別的邊界框回歸的范圍。具體包括以下步驟:

    Step1計算所有特征級別上每個位置的回歸目標l*、t*、r*和b*。

    Step2如果位置滿足 max(l*,t*,r*,b*)>mi或 max(l*,t*,r*,b*)

    1.1.3 FCOS 的中心度

    在 FCOS 中使用多級預測后,F(xiàn)COS 和基于錨的檢測器之間仍然存在性能差距。這是由于遠離目標中心的位置產(chǎn)生了許多低質(zhì)量的預測邊界框,因此提出一種簡單而有效的策略來抑制這些低質(zhì)量的預測邊界框,而無需引入任何超參數(shù)。具體來說,添加一個與分類分支 (如圖 2 所示) 平行的單層分支,以預測目標的中心度。中心度描述了從當前位置到該位置所負責的目標中心的標準化距離。給定位置的回歸目標l*、t*、r*和b*,中心度的定義為

    ( 2 )

    中心度的范圍是 0~1,采用二進制交叉熵損失進行訓練。測試時,通過將預測的中心度乘以相應(yīng)的分類分數(shù)來計算最終分數(shù),用于對檢測到的邊界框排名。因此,中心度可以降低遠離目標中心邊界框的分數(shù)。結(jié)果,這些低質(zhì)量的邊界框很有可能被最終的非極大值抑制(Non-Maximum Suppression,NMS)過程濾除,從而提高檢測性能。

    1.2 吊弦缺陷識別

    吊弦缺陷識別采用添加焦點損失的 ResNet50 分類網(wǎng)絡(luò)。ResNet50 分類網(wǎng)絡(luò)在圖像分類任務(wù)中取得了重大突破。但是,由于吊弦缺陷樣本與正常樣本的不均衡,ResNet50 分類網(wǎng)絡(luò)不能準確地定位到正負樣本之間具有判別性的區(qū)域,因此,引入焦點損失進行難負樣本挖掘,更準確地定位正負樣本之間具有判別性的區(qū)域。

    1.2.1 交叉熵損失

    交叉熵 (Cross Entropy,CE) 損失的定義為

    ( 3 )

    式中:y∈{0,1},指定了地面真值的類別,并且p∈[0,1] 是模型對于標簽y= 1 的類的估計概率。為方便起見,定義pt為

    ( 4 )

    把式( 4 )代入式( 3 )有

    CE(p,y)=CE(pt)=-lg(pt)

    ( 5 )

    交叉熵損失的一個顯著特性是,即使是易于分類的樣本 (pt?0.5) 也會導致較大的損失。如果將大量簡單的樣本相加,這些損失值可能會使稀有類別不堪重負。

    1.2.2 平衡交叉熵損失

    解決類別不平衡的常用方法是引入一個加權(quán)因子α∈[0,1] 用于類別 1,1-α用于類別 0。定義αt為

    ( 6 )

    可將α平衡的交叉熵損失表示為

    CE(pt)=-αtlg(pt)

    ( 7 )

    1.2.3 焦點損失

    α平衡的交叉熵損失雖然平衡了正負樣本的重要性,但并沒有區(qū)分簡單和困難的樣本。因此,將損失函數(shù)重塑,減輕其對簡單樣本的關(guān)注度,從而將訓練重點放在難負樣本上。即為交叉熵損失添加一個調(diào)制因子 (1-pt)γ,其焦點參數(shù)γ可調(diào)且γ≥0。將焦點損失定義為

    FL(pt)=-(1-pt)γlg(pt)

    ( 8 )

    焦點損失與交叉熵損失相比具有以下兩個屬性:

    (1)當樣本分類錯誤且pt較小時,調(diào)制因子接近1,并且損失不受影響。當pt→1因數(shù)變?yōu)?,降低了分類良好的樣本損失。

    大多數(shù)剖腹產(chǎn)手術(shù)患者因?qū)κ中g(shù)了解不充分,存在緊張、焦慮、恐懼等不良心理,非常不利于術(shù)后康復。因此,護理人員要將手術(shù)的相關(guān)知識及手術(shù)注意事項向患者詳細的講解,協(xié)助做好術(shù)前各種檢查;指導患者學會有效咳嗽,避免震動傷口;同時,認真傾聽患者的主訴,給予細致的解答,盡量滿足她們的訴求,給予親人般關(guān)心和安慰,消除她們術(shù)前、術(shù)中、術(shù)后各種不良情緒,樹立樂觀的心態(tài),積極配合臨床治療與護理,爭取早日康復。

    (2)焦點參數(shù)γ可以平滑地調(diào)整簡單樣本的權(quán)重。當γ= 0時,焦點損失等于交叉熵損失,并且隨著γ增加,調(diào)節(jié)因子的作用也會增加。

    從式 ( 8 ) 可以看出,調(diào)制因子減少了簡單樣本的損失,并擴展了樣本接收低損失的范圍。例如,對于γ= 2,與交叉熵損失相比,歸類為pt= 0.9 的樣本的損失將降低99%,而對于pt≈ 0.968 的樣本,其損失將降低99.9%。這反過來增加了糾正錯誤分類的樣本的重要性 (對于pt=0.5和γ= 2,其損失最多減少75%)。

    1.2.4 平衡焦點損失

    與平衡交叉熵損失類似,定義平衡焦點損失為

    FL(pt)=-αt(1-pt)γlg(pt)

    ( 9 )

    在實驗過程中,α和γ為可調(diào)參數(shù),一般設(shè)置為α=0.25,γ=2,但在處理具體問題時仍需根據(jù)實際情況調(diào)整。本文采用γ=2 作為默認設(shè)置,經(jīng)過實驗對比設(shè)置α=0.25,作為焦點損失的參數(shù)。

    2 實驗結(jié)果與分析

    為了驗證本文提出方法的有效性,在服務(wù)器上進行了實驗,服務(wù)器的基本配置如下:4 個 12 核 CPU,型號為 Intel(R) Xeon(R) CPU E5-2678 v3 @ 2.50 GHz,64 GB 內(nèi)存,4 個 GeForce RTX 2080Ti GPU(11 GB顯存),Ubuntu16.04 操作系統(tǒng)。采用 PyTorch 深度學習框架進行訓練和測試。

    2.1 數(shù)據(jù)集

    以某省高速鐵路接觸網(wǎng)吊弦圖像為研究的基礎(chǔ)數(shù)據(jù)集,利用標注工具對圖像中的吊弦區(qū)域進行標注,獲得標簽文件,用此數(shù)據(jù)集進行訓練獲得最終的吊弦不受力識別模型。

    采用的接觸網(wǎng)吊弦圖像的原始像素大小為2 585×1 940,在訓練FCOS檢測模型時統(tǒng)一將原圖縮放為 1 024×800 像素大小。共標注了 1 500 張圖片,獲得了 1 622 個實例,取出其中的 1 200 張圖片作為訓練集,300 張圖片作為驗證集。在訓練添加焦點損失的 ResNet50 分類模型時統(tǒng)一將提取的吊弦圖縮放為 224×224 像素大小。分類數(shù)據(jù)集的相關(guān)信息見表 1 。

    表1 分類數(shù)據(jù)集分布 張

    2.2 實現(xiàn)細節(jié)

    在第一階段訓練檢測網(wǎng)絡(luò)時,使用帶有動量項的隨機梯度下降 (Stochastic Gradient Descent,SGD) 的學習策略,初始學習率為 0.01,動量項為 0.9,衰減項為1×10-4。使用在 ImageNet 中訓練的預訓練模型 ResNet50。

    檢測模型訓練完成后,通過檢測模型從原圖中獲得吊弦的定位,將其從原圖中摳取出來并縮放為 224×224 像素大小,作為分類網(wǎng)絡(luò)的輸入。在第二階段訓練分類網(wǎng)絡(luò)時,同樣使用帶有動量項的隨機梯度下降的學習策略,初始學習率為0.000 015,動量項為 0.9,衰減項為1×10-5。

    2.3 實驗與分析

    2.3.1 檢測效果對比

    在評估 FCOS 的檢測效果時與Faster RCNN、RetinaNet、SSD進行對比。除了 SSD 的輸入圖片尺度為 512×512,其他模型的輸入圖片尺度均為 1 024×800,對比結(jié)果見表 2 ,AP@IoU=0.75表示模型預測的邊界框和地面真值邊界框的交并比(Intersection-over-Union,IoU) 為 0.75 時的平均精度,用于衡量模型的檢測精度;Inf time 表示模型的推理時間,用于衡量模型的檢測速度。根據(jù)表2 結(jié)果可知,F(xiàn)COS 在精度和速度上取得了較好的平衡。

    表2 檢測算法結(jié)果對比

    2.3.2 識別效果對比

    評估一個分類器算法的好壞包括許多項指標,吊弦不受力識別的分類目標只有兩類,記為正例 (Positive) 和負例 (Negative),其中,正例標簽為 1,負例標簽為 0,分類器的混淆矩陣見表 3 。TP為被分類器正確劃分為正例的個數(shù);FP為被分類器錯誤劃分為正例的個數(shù);FN為被分類器錯誤劃分為負例的個數(shù);TN為被分類器正確劃分為負例的個數(shù)。

    表3 分類器的混淆矩陣

    根據(jù)分類器的混淆矩陣可以求出其精度Precision和召回率Recall,其中精度是精確性的度量,表示被分為正例的實例中實際為正例的比例;召回率是覆蓋面的度量,表示所有正例中被分對的比例,衡量了分類器對正例的識別能力。精度和召回率的定義為

    (10)

    受試者工作特征曲線 (Receiver Operating Characteristic Curve,ROC) 是以真陽性率 (True Positive Rate,TPR) 為縱坐標,假陽性率 (False Positive Rate,F(xiàn)PR) 為橫坐標繪制的性能評價曲線。真陽性率和假陽性率的定義式為

    (11)

    可以將不同模型對同一數(shù)據(jù)集的ROC曲線繪制在同一坐標系中,ROC曲線越靠近左上角,說明其對應(yīng)模型越可靠。也可以通過ROC曲線下面的面積AUC來評價模型,AUC越大,模型越可靠。

    由于吊弦的正(不受力)負(受力)樣本嚴重不均衡,而在實際應(yīng)用中更關(guān)注正樣本的識別效果,即希望將吊弦不受力的樣本全部識別正確,因此,更關(guān)注正樣本的召回率。

    為了評估添加焦點損失的 ResNet50 分類網(wǎng)絡(luò)對吊弦不受力的識別效果,本文將其與經(jīng)典的機器學習分類算法邏輯回歸(Logistics Regression,LR)、神經(jīng)網(wǎng)絡(luò) (Neural Network,NN)、隨機森林(Random Forest,RF)、支持向量機 (Support Vector Machine,SVM)、K近鄰 (K-Nearest Neighbors,KNN)、(Gradient Boosting Decision Tree,GBDT)、AdaBoost 以及 ResNet50 分類網(wǎng)絡(luò)進行對比,機器學習分類算法的特征采用的是顏色直方圖,圖4為分類算法的 ROC 曲線對比,表4為分類算法的結(jié)果對比。

    表4 分類算法結(jié)果對比

    圖4 分類算法的 ROC 曲線

    根據(jù)對比結(jié)果可知,經(jīng)典的機器學習分類算法對吊弦不受力的識別效果較差,尤其是 SVM 算法直接把所有樣本都歸為負例,沒有學到任何特征,這與特征的選擇具有一定關(guān)系,設(shè)計其他更具有區(qū)分性的特征可能會提升識別效果,但尋找區(qū)分性的特征具有較大難度;而基于 DCNN 的方法則具有較高的性能,而且不需要手工選擇特征。ResNet50 的效果要優(yōu)于所有經(jīng)典的機器學習分類算法,而添加焦點損失的 ResNet50 對不受力吊弦線的召回率要比ResNet50 高,雖然精度略低于ResNet50,但是,在實際應(yīng)用中更希望將所有不受力吊弦識別出來,因此,模型的召回率比精度更重要。從圖4可以看出,添加焦點損失的 ResNet50 模型的 AUC 與 ResNet50 相等,因此,它們的可靠性相同,從實際應(yīng)用的角度來看,添加焦點損失的 ResNet50 分類網(wǎng)絡(luò)的性能優(yōu)于其他方法。

    2.3.3 焦點損失的效果驗證

    為了驗證焦點損失對難負樣本挖掘的效果,在各種經(jīng)典的分類網(wǎng)絡(luò)上進行實驗,對比添加焦點損失前后模型對吊弦不受力缺陷的識別效果。表5為添加焦點損失前后分類網(wǎng)絡(luò)的識別效果對比。從表 5 可以看出,焦點損失適用于各種分類網(wǎng)絡(luò),可以提升分類網(wǎng)絡(luò)對不受力吊弦的召回率,增強分類網(wǎng)絡(luò)的缺陷識別性能。

    表5 添加焦點損失前后分類網(wǎng)絡(luò)的識別效果對比

    2.3.4 焦點損失的消融研究

    采用焦點損失的默認設(shè)置γ=2。為了探究α參數(shù)對結(jié)果的影響,采用不同的α進行消融對比,研究α對分類網(wǎng)絡(luò)定位類別間判別性區(qū)域性能的促進程度,實驗結(jié)果見表6 。

    表6 α 參數(shù)對比實驗結(jié)果

    根據(jù)表6結(jié)果可知,在本實驗中,α=0.25 時對分類網(wǎng)絡(luò)的定位效果促進作用最大,因此,本文最終采用α=0.25,γ=2 作為焦點損失的參數(shù)。

    2.3.5 可視化解釋

    為了解釋添加焦點損失的 ResNet50 分類網(wǎng)絡(luò)與原本的 ResNet50 分類網(wǎng)絡(luò)相比是否確實學到了更優(yōu)意義的特征,讓網(wǎng)絡(luò)準確地定位到正負樣本之間具有判別性的區(qū)域,采用類激活映射 (Class Activation Mapping,CAM)[13]對分類結(jié)果進行可視化,如圖5所示。圖5(a)為ResNet50 的結(jié)果,圖5(b)為添加焦點損失的 ResNet50 的結(jié)果,圖5中深紅色區(qū)域表示模型定位到的判別性區(qū)域。根據(jù)圖5結(jié)果可知,添加焦點損失的 ResNet50 分類網(wǎng)絡(luò)確實更加關(guān)注吊弦的不受力部位,從而更加準確地識別出吊弦不受力缺陷。添加焦點損失的 ResNet50 分類網(wǎng)絡(luò)對吊弦正常和異常判斷的置信度低于 ResNet50 分類網(wǎng)絡(luò),說明焦點損失在難負樣本挖掘上起到重要作用。

    圖5 熱力圖對比

    3 結(jié)束語

    本文提出一種基于深度學習技術(shù)的吊弦不受力識別方法,該方法采用 FCOS 檢測模型定位吊弦區(qū)域,根據(jù)吊弦缺陷樣本較少的特點,采用添加焦點損失的 ResNet50 分類網(wǎng)絡(luò)識別吊弦不受力缺陷。在某省高速鐵路接觸網(wǎng)圖像數(shù)據(jù)集上進行對比實驗,證明本文提出的方法能夠更加準確地識別出吊弦不受力缺陷。此外,在難負樣本的挖掘上具有顯著優(yōu)勢,適用于正負樣本不均衡的缺陷識別。在未來的工作中,可以針對吊弦不受力缺陷識別進一步修改損失項以提升缺陷識別召回率。

    猜你喜歡
    吊弦接觸網(wǎng)焦點
    接觸網(wǎng)整體吊弦疲勞問題探究
    電氣化鐵路接觸網(wǎng)整體吊弦受力試驗研究
    中國測試(2023年2期)2023-03-13 02:09:34
    焦點
    為開通打下基礎(chǔ)!這條國際鐵路完成接觸網(wǎng)平推驗收
    云南畫報(2021年10期)2021-11-24 01:06:38
    高寒地區(qū)高速鐵路接觸網(wǎng)吊弦缺陷現(xiàn)狀分析及整改建議
    “兩會”焦點
    南方周末(2018-03-08)2018-03-08 08:34:56
    接觸網(wǎng)設(shè)備“運、檢、修”分離改革的探討
    本期焦點
    高速鐵路接觸網(wǎng)研究進展
    接觸網(wǎng)避雷器接地系統(tǒng)分析
    国产野战对白在线观看| 亚洲成色77777| 久久人人97超碰香蕉20202| 国产不卡av网站在线观看| 狠狠精品人妻久久久久久综合| 亚洲精品中文字幕在线视频| 在线亚洲精品国产二区图片欧美| 欧美+亚洲+日韩+国产| 精品少妇黑人巨大在线播放| 老鸭窝网址在线观看| 亚洲国产欧美在线一区| 一边摸一边抽搐一进一出视频| 精品亚洲成a人片在线观看| 成年人免费黄色播放视频| 欧美亚洲 丝袜 人妻 在线| 美女扒开内裤让男人捅视频| av不卡在线播放| 极品少妇高潮喷水抽搐| 国产在线视频一区二区| 欧美亚洲 丝袜 人妻 在线| 激情五月婷婷亚洲| 狂野欧美激情性bbbbbb| 久久毛片免费看一区二区三区| 精品免费久久久久久久清纯 | 国产精品熟女久久久久浪| 亚洲av成人不卡在线观看播放网 | 欧美日韩一级在线毛片| 亚洲精品久久午夜乱码| 在线亚洲精品国产二区图片欧美| 性高湖久久久久久久久免费观看| 国产色视频综合| 狂野欧美激情性xxxx| 丰满少妇做爰视频| 精品人妻1区二区| av有码第一页| 国产成人91sexporn| 免费一级毛片在线播放高清视频 | 狂野欧美激情性bbbbbb| 亚洲图色成人| 国产日韩欧美视频二区| 一级黄色大片毛片| 伊人久久大香线蕉亚洲五| 看免费av毛片| 9191精品国产免费久久| 久久久久国产精品人妻一区二区| 麻豆乱淫一区二区| 国产亚洲av高清不卡| 精品一区二区三区av网在线观看 | 大型av网站在线播放| 久久久久视频综合| 日韩大码丰满熟妇| 黑丝袜美女国产一区| 日本猛色少妇xxxxx猛交久久| 视频区欧美日本亚洲| 人妻 亚洲 视频| 精品人妻一区二区三区麻豆| 国产在线一区二区三区精| 精品亚洲乱码少妇综合久久| 亚洲av综合色区一区| 狠狠精品人妻久久久久久综合| 亚洲国产欧美日韩在线播放| 亚洲欧美日韩高清在线视频 | 久久性视频一级片| 少妇精品久久久久久久| 午夜精品国产一区二区电影| 欧美日韩av久久| 日本欧美国产在线视频| 亚洲人成电影免费在线| 中国国产av一级| 亚洲成色77777| 一个人免费看片子| 国产精品一区二区在线不卡| 丝袜喷水一区| 黑人巨大精品欧美一区二区蜜桃| 性少妇av在线| 欧美久久黑人一区二区| 爱豆传媒免费全集在线观看| 亚洲av电影在线观看一区二区三区| 一级片免费观看大全| 日韩av不卡免费在线播放| 国产精品一区二区在线观看99| 欧美人与善性xxx| 欧美97在线视频| 晚上一个人看的免费电影| 欧美人与性动交α欧美软件| 大片免费播放器 马上看| av国产久精品久网站免费入址| 9热在线视频观看99| 国产亚洲一区二区精品| av在线app专区| 在线亚洲精品国产二区图片欧美| 国产成人av激情在线播放| 日日夜夜操网爽| 国产国语露脸激情在线看| 日韩av不卡免费在线播放| 欧美日韩综合久久久久久| 少妇精品久久久久久久| 精品亚洲成国产av| 一级a爱视频在线免费观看| 国产片内射在线| 欧美精品一区二区免费开放| 老鸭窝网址在线观看| 亚洲男人天堂网一区| 美女午夜性视频免费| 天天躁夜夜躁狠狠躁躁| 无限看片的www在线观看| 国产精品 欧美亚洲| 最新在线观看一区二区三区 | 国产在线免费精品| 两个人免费观看高清视频| 亚洲国产欧美日韩在线播放| 好男人视频免费观看在线| 熟女少妇亚洲综合色aaa.| 国产成人av教育| 久久99一区二区三区| 精品久久蜜臀av无| 久久鲁丝午夜福利片| 久久亚洲精品不卡| 嫩草影视91久久| 在线天堂中文资源库| 热99国产精品久久久久久7| 精品高清国产在线一区| 大码成人一级视频| 亚洲一区二区三区欧美精品| 欧美激情高清一区二区三区| 欧美黄色片欧美黄色片| 午夜福利免费观看在线| 日韩制服丝袜自拍偷拍| 在现免费观看毛片| 精品第一国产精品| 99热网站在线观看| 国产成人一区二区三区免费视频网站 | 亚洲av男天堂| 亚洲av欧美aⅴ国产| 精品人妻熟女毛片av久久网站| 久热这里只有精品99| 国产成人欧美| 老司机深夜福利视频在线观看 | 久久久久久久精品精品| 日本欧美国产在线视频| 视频区图区小说| 麻豆av在线久日| 午夜福利在线免费观看网站| 黄色片一级片一级黄色片| 在线观看人妻少妇| 欧美97在线视频| 悠悠久久av| 女人精品久久久久毛片| 精品国产一区二区久久| 黄色片一级片一级黄色片| 亚洲精品国产一区二区精华液| 免费观看人在逋| 亚洲久久久国产精品| 国产日韩欧美在线精品| 国产视频一区二区在线看| a 毛片基地| 91精品国产国语对白视频| 国产亚洲午夜精品一区二区久久| 99香蕉大伊视频| 免费人妻精品一区二区三区视频| 亚洲九九香蕉| 成年人免费黄色播放视频| 国产精品二区激情视频| 国产精品麻豆人妻色哟哟久久| 欧美日韩黄片免| 亚洲精品成人av观看孕妇| 日本wwww免费看| 大香蕉久久成人网| 在线看a的网站| 老熟女久久久| 色视频在线一区二区三区| 91老司机精品| 亚洲精品乱久久久久久| 女警被强在线播放| 国产欧美日韩综合在线一区二区| 亚洲欧美一区二区三区黑人| 国产精品.久久久| 国产一区二区激情短视频 | 一本久久精品| 大片免费播放器 马上看| 国产精品一区二区在线不卡| 日韩中文字幕视频在线看片| www.精华液| 女人精品久久久久毛片| 婷婷色综合大香蕉| 国产麻豆69| 后天国语完整版免费观看| 日韩一本色道免费dvd| 电影成人av| 叶爱在线成人免费视频播放| 波野结衣二区三区在线| 国产精品成人在线| 国产97色在线日韩免费| svipshipincom国产片| 大片免费播放器 马上看| 精品国产超薄肉色丝袜足j| 国产野战对白在线观看| 大香蕉久久网| 日韩一本色道免费dvd| 一级毛片 在线播放| 青春草亚洲视频在线观看| 日本欧美国产在线视频| 乱人伦中国视频| 久久亚洲国产成人精品v| 国产福利在线免费观看视频| 日韩大码丰满熟妇| 黑人猛操日本美女一级片| 亚洲国产最新在线播放| 可以免费在线观看a视频的电影网站| 美女大奶头黄色视频| 亚洲综合色网址| 下体分泌物呈黄色| 亚洲欧美色中文字幕在线| 欧美激情 高清一区二区三区| 国产有黄有色有爽视频| 亚洲国产欧美一区二区综合| 只有这里有精品99| 男女高潮啪啪啪动态图| 午夜免费鲁丝| 亚洲精品国产av成人精品| 国产亚洲av高清不卡| 亚洲国产欧美网| 国产一级毛片在线| 老汉色av国产亚洲站长工具| 国产精品国产三级专区第一集| 激情五月婷婷亚洲| 亚洲精品日本国产第一区| 精品亚洲成国产av| 黑丝袜美女国产一区| 国产精品国产三级专区第一集| 少妇的丰满在线观看| 国产精品一区二区在线不卡| 精品少妇内射三级| 精品少妇一区二区三区视频日本电影| 黄网站色视频无遮挡免费观看| 久久人人97超碰香蕉20202| 欧美av亚洲av综合av国产av| 少妇被粗大的猛进出69影院| 成人亚洲精品一区在线观看| 交换朋友夫妻互换小说| 亚洲熟女精品中文字幕| 免费不卡黄色视频| 欧美中文综合在线视频| 高潮久久久久久久久久久不卡| 9热在线视频观看99| 女人高潮潮喷娇喘18禁视频| 成年人免费黄色播放视频| a级毛片在线看网站| 视频区图区小说| 久久综合国产亚洲精品| 国产成人欧美| 国产欧美日韩精品亚洲av| 妹子高潮喷水视频| 丰满饥渴人妻一区二区三| 国产真人三级小视频在线观看| 成人亚洲精品一区在线观看| 日本一区二区免费在线视频| 搡老乐熟女国产| 水蜜桃什么品种好| 亚洲国产最新在线播放| 国产亚洲午夜精品一区二区久久| 精品一区二区三区av网在线观看 | 欧美少妇被猛烈插入视频| 狂野欧美激情性xxxx| 高清不卡的av网站| 另类精品久久| 国产欧美日韩一区二区三 | 国产主播在线观看一区二区 | 少妇猛男粗大的猛烈进出视频| 一级毛片电影观看| 成年女人毛片免费观看观看9 | 中文字幕另类日韩欧美亚洲嫩草| 亚洲av国产av综合av卡| 亚洲欧美成人综合另类久久久| 国精品久久久久久国模美| 亚洲欧美激情在线| 赤兔流量卡办理| 老鸭窝网址在线观看| 国产亚洲午夜精品一区二区久久| 91精品伊人久久大香线蕉| 婷婷色av中文字幕| 精品视频人人做人人爽| 日韩,欧美,国产一区二区三区| 久久天躁狠狠躁夜夜2o2o | 悠悠久久av| 久久精品国产亚洲av涩爱| 久久精品成人免费网站| 亚洲av男天堂| 91精品伊人久久大香线蕉| 久久精品国产a三级三级三级| 90打野战视频偷拍视频| 观看av在线不卡| 啦啦啦中文免费视频观看日本| 欧美亚洲日本最大视频资源| 国产91精品成人一区二区三区 | 美女国产高潮福利片在线看| 日本欧美视频一区| 永久免费av网站大全| 国产亚洲午夜精品一区二区久久| 欧美精品啪啪一区二区三区 | 狂野欧美激情性xxxx| 真人做人爱边吃奶动态| 最近手机中文字幕大全| 自线自在国产av| 欧美在线黄色| 中文字幕人妻丝袜制服| 母亲3免费完整高清在线观看| 在线av久久热| 夫妻午夜视频| 黄色视频在线播放观看不卡| 黄网站色视频无遮挡免费观看| 两个人免费观看高清视频| 亚洲国产精品999| 久久精品亚洲av国产电影网| 亚洲av男天堂| 国产精品秋霞免费鲁丝片| 亚洲av成人精品一二三区| 久久久久久久久免费视频了| 亚洲精品av麻豆狂野| 一级a爱视频在线免费观看| 中文字幕制服av| 亚洲国产看品久久| 亚洲av美国av| 免费观看av网站的网址| 亚洲欧洲日产国产| 久久久久网色| 国产无遮挡羞羞视频在线观看| 成人午夜精彩视频在线观看| 成年人免费黄色播放视频| 久久精品亚洲av国产电影网| 精品一区二区三区四区五区乱码 | 久久 成人 亚洲| 亚洲专区国产一区二区| 男人舔女人的私密视频| 国产精品久久久人人做人人爽| 黄色一级大片看看| 中文字幕人妻丝袜制服| 菩萨蛮人人尽说江南好唐韦庄| 国产亚洲午夜精品一区二区久久| 色婷婷久久久亚洲欧美| 蜜桃国产av成人99| 黄片小视频在线播放| 亚洲人成77777在线视频| 久9热在线精品视频| 成年女人毛片免费观看观看9 | 精品免费久久久久久久清纯 | 国产爽快片一区二区三区| 免费看不卡的av| 90打野战视频偷拍视频| 99香蕉大伊视频| 国产激情久久老熟女| 欧美国产精品va在线观看不卡| 另类精品久久| 赤兔流量卡办理| 大陆偷拍与自拍| 亚洲天堂av无毛| 高清av免费在线| 精品国产国语对白av| 午夜精品国产一区二区电影| 亚洲七黄色美女视频| 又粗又硬又长又爽又黄的视频| 欧美日韩视频精品一区| 成人18禁高潮啪啪吃奶动态图| 国产亚洲一区二区精品| 99国产精品免费福利视频| 自拍欧美九色日韩亚洲蝌蚪91| av线在线观看网站| 制服诱惑二区| 手机成人av网站| 纯流量卡能插随身wifi吗| 国产深夜福利视频在线观看| 中文字幕另类日韩欧美亚洲嫩草| 啦啦啦啦在线视频资源| 精品人妻一区二区三区麻豆| 亚洲欧美清纯卡通| 欧美亚洲 丝袜 人妻 在线| 99久久精品国产亚洲精品| 欧美日韩视频精品一区| 免费久久久久久久精品成人欧美视频| 一区二区三区四区激情视频| 9热在线视频观看99| av欧美777| 丝袜美腿诱惑在线| 亚洲成国产人片在线观看| 人人妻人人添人人爽欧美一区卜| 妹子高潮喷水视频| av视频免费观看在线观看| 国产女主播在线喷水免费视频网站| 亚洲国产av影院在线观看| 精品卡一卡二卡四卡免费| 一级黄片播放器| a级片在线免费高清观看视频| 亚洲av日韩在线播放| 熟女少妇亚洲综合色aaa.| av电影中文网址| 日本91视频免费播放| 大香蕉久久网| av福利片在线| 搡老乐熟女国产| 日韩中文字幕欧美一区二区 | 母亲3免费完整高清在线观看| 欧美黄色淫秽网站| 亚洲国产最新在线播放| 久久久久久久大尺度免费视频| 高清视频免费观看一区二区| 亚洲一区二区三区欧美精品| 夫妻午夜视频| 女性被躁到高潮视频| 国产在线观看jvid| 国产男女超爽视频在线观看| 女警被强在线播放| 一区二区三区四区激情视频| 亚洲精品在线美女| 国产成人一区二区在线| 最新的欧美精品一区二区| 丰满人妻熟妇乱又伦精品不卡| 国产老妇伦熟女老妇高清| 日本91视频免费播放| 最近中文字幕2019免费版| 亚洲精品久久成人aⅴ小说| 狠狠婷婷综合久久久久久88av| 国产成人av激情在线播放| 国产主播在线观看一区二区 | 欧美性长视频在线观看| 男人爽女人下面视频在线观看| 汤姆久久久久久久影院中文字幕| 男女国产视频网站| 亚洲三区欧美一区| 99国产精品99久久久久| 国产成人欧美| 国产在线视频一区二区| 午夜av观看不卡| xxxhd国产人妻xxx| 欧美97在线视频| 日本wwww免费看| 超碰成人久久| 亚洲成人手机| videos熟女内射| 欧美亚洲 丝袜 人妻 在线| 看免费av毛片| 国产精品久久久久成人av| 久久久久精品人妻al黑| 日韩中文字幕视频在线看片| 亚洲伊人色综图| 婷婷色综合大香蕉| 另类精品久久| 国产精品国产三级专区第一集| 亚洲男人天堂网一区| 18禁黄网站禁片午夜丰满| 久久久久久久久免费视频了| 国产免费视频播放在线视频| 国产爽快片一区二区三区| 亚洲国产欧美日韩在线播放| 成在线人永久免费视频| 日韩伦理黄色片| 青草久久国产| 中文字幕av电影在线播放| 欧美成人精品欧美一级黄| 性高湖久久久久久久久免费观看| 亚洲精品av麻豆狂野| 亚洲 国产 在线| 久久性视频一级片| 免费日韩欧美在线观看| 欧美日韩亚洲综合一区二区三区_| 精品少妇内射三级| 美女高潮到喷水免费观看| 久久久久久久精品精品| 1024香蕉在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 波多野结衣av一区二区av| 亚洲国产av新网站| 久久久久久久国产电影| 波多野结衣一区麻豆| 久久久久久免费高清国产稀缺| 日韩大码丰满熟妇| 亚洲精品第二区| 电影成人av| 亚洲午夜精品一区,二区,三区| 中文字幕另类日韩欧美亚洲嫩草| 好男人视频免费观看在线| 大香蕉久久网| 啦啦啦在线免费观看视频4| 99re6热这里在线精品视频| 国产片内射在线| av欧美777| 美女扒开内裤让男人捅视频| 久久国产精品男人的天堂亚洲| 亚洲精品乱久久久久久| 极品少妇高潮喷水抽搐| e午夜精品久久久久久久| 精品人妻1区二区| 午夜久久久在线观看| 国产精品二区激情视频| 最近手机中文字幕大全| 18在线观看网站| 成年av动漫网址| 成人三级做爰电影| 久久精品国产亚洲av涩爱| 精品久久久精品久久久| 日韩一本色道免费dvd| 午夜视频精品福利| 啦啦啦在线观看免费高清www| 亚洲第一青青草原| 天天躁日日躁夜夜躁夜夜| 一级片免费观看大全| 女人被躁到高潮嗷嗷叫费观| 国产男人的电影天堂91| 中文字幕人妻丝袜一区二区| 又黄又粗又硬又大视频| 国产色视频综合| 97在线人人人人妻| 一级毛片电影观看| 成人亚洲精品一区在线观看| 欧美精品亚洲一区二区| 99精品久久久久人妻精品| 在线观看一区二区三区激情| 国产日韩一区二区三区精品不卡| 人人妻人人澡人人爽人人夜夜| 亚洲精品日本国产第一区| 亚洲色图 男人天堂 中文字幕| 在线观看人妻少妇| 9色porny在线观看| 欧美日韩亚洲综合一区二区三区_| 精品少妇一区二区三区视频日本电影| 久久久精品国产亚洲av高清涩受| 久久精品aⅴ一区二区三区四区| 亚洲色图综合在线观看| 天天操日日干夜夜撸| 丝袜在线中文字幕| 成人三级做爰电影| 国产在线免费精品| 水蜜桃什么品种好| 一区二区av电影网| 久久久欧美国产精品| 午夜日韩欧美国产| 这个男人来自地球电影免费观看| 人人妻,人人澡人人爽秒播 | 久热爱精品视频在线9| 国产成人av教育| 80岁老熟妇乱子伦牲交| 精品卡一卡二卡四卡免费| 久久天躁狠狠躁夜夜2o2o | 国产精品免费大片| 女人久久www免费人成看片| 9热在线视频观看99| 日本一区二区免费在线视频| 两个人免费观看高清视频| 亚洲成人手机| 亚洲精品久久久久久婷婷小说| 女人高潮潮喷娇喘18禁视频| 久久热在线av| 51午夜福利影视在线观看| 亚洲熟女毛片儿| 一本—道久久a久久精品蜜桃钙片| 人妻一区二区av| 欧美 亚洲 国产 日韩一| 一区在线观看完整版| 精品国产一区二区三区四区第35| 亚洲精品av麻豆狂野| 一级片免费观看大全| 久久精品国产a三级三级三级| 国产视频首页在线观看| 国产有黄有色有爽视频| 蜜桃国产av成人99| 美女扒开内裤让男人捅视频| videosex国产| 亚洲欧美激情在线| 成年女人毛片免费观看观看9 | 激情五月婷婷亚洲| 99国产综合亚洲精品| 久久久久久免费高清国产稀缺| av又黄又爽大尺度在线免费看| 国产一区二区三区综合在线观看| 国产老妇伦熟女老妇高清| bbb黄色大片| 国产欧美日韩一区二区三 | 国产亚洲午夜精品一区二区久久| 国产精品.久久久| 亚洲五月色婷婷综合| 国产精品亚洲av一区麻豆| 99re6热这里在线精品视频| 亚洲国产精品成人久久小说| 一区二区av电影网| 免费在线观看完整版高清| 欧美精品啪啪一区二区三区 | 婷婷丁香在线五月| 在线天堂中文资源库| 亚洲欧美一区二区三区国产| 日本wwww免费看| 国产伦理片在线播放av一区| 色婷婷久久久亚洲欧美| 黄色片一级片一级黄色片| 18禁国产床啪视频网站| 在现免费观看毛片| 国产成人一区二区三区免费视频网站 | 9191精品国产免费久久| 亚洲国产欧美一区二区综合| 男女午夜视频在线观看| 高潮久久久久久久久久久不卡| 亚洲黑人精品在线| 亚洲少妇的诱惑av| 精品少妇久久久久久888优播| 久久久久久久久久久久大奶| 国产日韩欧美亚洲二区| xxxhd国产人妻xxx| 中国美女看黄片| 国产精品久久久av美女十八| 国产1区2区3区精品| 丝袜人妻中文字幕| 国产又爽黄色视频| 99久久综合免费| 亚洲色图 男人天堂 中文字幕| 久热这里只有精品99| 无限看片的www在线观看| 日本一区二区免费在线视频|