• <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
    亚洲国产精品国产精品| 视频区图区小说| 五月玫瑰六月丁香| 好男人在线观看高清免费视频| 中文字幕制服av| 成人午夜精彩视频在线观看| 亚洲欧美一区二区三区黑人 | 97超碰精品成人国产| 三级男女做爰猛烈吃奶摸视频| 久久久亚洲精品成人影院| 国产成年人精品一区二区| 18禁在线无遮挡免费观看视频| 极品教师在线视频| 岛国毛片在线播放| 日韩不卡一区二区三区视频在线| 国产成人a∨麻豆精品| 如何舔出高潮| 九草在线视频观看| 精品国产乱码久久久久久小说| 久久人人爽av亚洲精品天堂 | 人人妻人人看人人澡| 精品国产露脸久久av麻豆| 成人亚洲欧美一区二区av| 成年av动漫网址| 欧美 日韩 精品 国产| 99热这里只有是精品50| 国产精品99久久99久久久不卡 | 日韩av免费高清视频| 汤姆久久久久久久影院中文字幕| 欧美日韩一区二区视频在线观看视频在线 | 人妻制服诱惑在线中文字幕| 午夜免费观看性视频| av在线亚洲专区| 免费av不卡在线播放| 成年女人看的毛片在线观看| 国产成人一区二区在线| 久热这里只有精品99| 在线观看人妻少妇| 国产探花在线观看一区二区| 看黄色毛片网站| 国产毛片a区久久久久| 亚洲成人av在线免费| 亚洲欧美精品专区久久| 午夜亚洲福利在线播放| 晚上一个人看的免费电影| 日韩在线高清观看一区二区三区| 亚洲欧美精品专区久久| 卡戴珊不雅视频在线播放| 国产中年淑女户外野战色| 日韩电影二区| 亚洲av国产av综合av卡| 国产男女内射视频| 亚洲欧美中文字幕日韩二区| 成人午夜精彩视频在线观看| 男的添女的下面高潮视频| 中文精品一卡2卡3卡4更新| 美女cb高潮喷水在线观看| 97在线人人人人妻| 欧美最新免费一区二区三区| 色吧在线观看| 在线免费十八禁| 国产探花在线观看一区二区| 免费高清在线观看视频在线观看| 青春草亚洲视频在线观看| 51国产日韩欧美| videos熟女内射| 免费av不卡在线播放| 免费av毛片视频| 亚洲国产最新在线播放| 亚洲人成网站高清观看| 在线观看av片永久免费下载| xxx大片免费视频| 在线 av 中文字幕| 日韩在线高清观看一区二区三区| 精华霜和精华液先用哪个| 国产黄片视频在线免费观看| 亚洲精品国产av蜜桃| 免费大片黄手机在线观看| 日韩精品有码人妻一区| 婷婷色综合www| 国产成人a区在线观看| 永久网站在线| 少妇的逼好多水| 亚洲国产精品成人久久小说| 亚洲精华国产精华液的使用体验| 久久精品国产自在天天线| 色播亚洲综合网| 精品99又大又爽又粗少妇毛片| 五月开心婷婷网| 九九久久精品国产亚洲av麻豆| 久久午夜福利片| 97在线人人人人妻| 免费观看在线日韩| 国产精品爽爽va在线观看网站| 国产中年淑女户外野战色| 色5月婷婷丁香| 亚洲欧美日韩无卡精品| 国产免费一区二区三区四区乱码| 美女被艹到高潮喷水动态| 日韩一本色道免费dvd| 国产精品爽爽va在线观看网站| 色视频www国产| 不卡视频在线观看欧美| av免费在线看不卡| 亚洲欧美一区二区三区国产| 天天一区二区日本电影三级| 免费电影在线观看免费观看| 狂野欧美激情性bbbbbb| 高清视频免费观看一区二区| 亚洲av.av天堂| 亚洲四区av| 国产欧美日韩精品一区二区| 国产永久视频网站| 久久久精品欧美日韩精品| 成年免费大片在线观看| 免费av不卡在线播放| 各种免费的搞黄视频| 国产淫片久久久久久久久| 波多野结衣巨乳人妻| 国产亚洲5aaaaa淫片| 色视频在线一区二区三区| 国产精品蜜桃在线观看| 亚洲国产高清在线一区二区三| 中文精品一卡2卡3卡4更新| 亚洲人与动物交配视频| 人妻制服诱惑在线中文字幕| xxx大片免费视频| 久久久久国产精品人妻一区二区| 国产一区二区三区综合在线观看 | 午夜福利视频精品| 美女被艹到高潮喷水动态| 国产精品国产三级专区第一集| 视频中文字幕在线观看| 最近最新中文字幕大全电影3| 欧美xxⅹ黑人| 久久综合国产亚洲精品| 亚洲天堂国产精品一区在线| 亚洲精品亚洲一区二区| 天天躁日日操中文字幕| 秋霞伦理黄片| 亚洲精品日韩av片在线观看| 亚洲欧美清纯卡通| 亚洲天堂国产精品一区在线| 天堂网av新在线| 禁无遮挡网站| 男人爽女人下面视频在线观看| 日韩一区二区三区影片| 九九爱精品视频在线观看| 欧美+日韩+精品| 久久久亚洲精品成人影院| 97超视频在线观看视频| 毛片一级片免费看久久久久| 极品少妇高潮喷水抽搐| 成人毛片a级毛片在线播放| av一本久久久久| 香蕉精品网在线| .国产精品久久| 久久久国产一区二区| 日本黄色片子视频| 成年女人看的毛片在线观看| 久久精品久久精品一区二区三区| 精品一区二区三卡| 少妇丰满av| 午夜福利视频1000在线观看| 国产毛片在线视频| 国产精品一及| 国产精品久久久久久精品古装| 免费av不卡在线播放| 日韩av免费高清视频| 亚洲精品中文字幕在线视频 | 五月天丁香电影| 国产色爽女视频免费观看| 亚洲丝袜综合中文字幕| 最后的刺客免费高清国语| 久久精品夜色国产| 国产一区有黄有色的免费视频| 男人狂女人下面高潮的视频| 成年女人在线观看亚洲视频 | 亚洲天堂国产精品一区在线| 久久精品熟女亚洲av麻豆精品| 美女脱内裤让男人舔精品视频| 国产乱人视频| 日本wwww免费看| 日韩三级伦理在线观看| 成人毛片60女人毛片免费| 国产午夜福利久久久久久| 少妇被粗大猛烈的视频| www.色视频.com| 高清日韩中文字幕在线| 国产成人91sexporn| 亚洲aⅴ乱码一区二区在线播放| 美女高潮的动态| 亚洲欧美日韩东京热| 亚洲综合色惰| 性插视频无遮挡在线免费观看| 午夜精品国产一区二区电影 | 欧美激情久久久久久爽电影| 精品久久久久久电影网| 卡戴珊不雅视频在线播放| 一级黄片播放器| 精品亚洲乱码少妇综合久久| 人妻夜夜爽99麻豆av| 我的女老师完整版在线观看| 国产淫片久久久久久久久| 亚洲精华国产精华液的使用体验| 精华霜和精华液先用哪个| 丝袜美腿在线中文| 晚上一个人看的免费电影| .国产精品久久| 一级片'在线观看视频| 少妇 在线观看| 黄色配什么色好看| 亚洲国产精品专区欧美| 日本欧美国产在线视频| 国产又色又爽无遮挡免| 黄片wwwwww| 男插女下体视频免费在线播放| 可以在线观看毛片的网站| 大陆偷拍与自拍| 少妇丰满av| 亚洲国产最新在线播放| 亚洲成人一二三区av| 少妇高潮的动态图| 国产一区亚洲一区在线观看| 久久久久国产精品人妻一区二区| 日本熟妇午夜| 日韩大片免费观看网站| 男人爽女人下面视频在线观看| 直男gayav资源| 国产女主播在线喷水免费视频网站| 麻豆国产97在线/欧美| 国产亚洲一区二区精品| 久久久久久久久久人人人人人人| 爱豆传媒免费全集在线观看| 日韩亚洲欧美综合| 别揉我奶头 嗯啊视频| 国产午夜精品一二区理论片| 久久精品国产鲁丝片午夜精品| 伊人久久国产一区二区| 一级毛片黄色毛片免费观看视频| 3wmmmm亚洲av在线观看| 王馨瑶露胸无遮挡在线观看| 高清在线视频一区二区三区| 一级毛片黄色毛片免费观看视频| 少妇人妻久久综合中文| 18禁在线无遮挡免费观看视频| 老师上课跳d突然被开到最大视频| 成人免费观看视频高清| 日韩伦理黄色片| 色视频在线一区二区三区| 亚洲不卡免费看| 伦精品一区二区三区| 亚洲精品国产av蜜桃| 男女国产视频网站| av国产精品久久久久影院| 一区二区三区乱码不卡18| 禁无遮挡网站| 中文字幕av成人在线电影| 国国产精品蜜臀av免费| 一级av片app| 精品久久久精品久久久| 国产午夜精品一二区理论片| 日产精品乱码卡一卡2卡三| 免费大片18禁| 亚洲精品中文字幕在线视频 | 久久久午夜欧美精品| 亚洲精品国产色婷婷电影| 国产精品国产三级国产专区5o| 不卡视频在线观看欧美| 高清午夜精品一区二区三区| 最近中文字幕2019免费版| 亚洲成人中文字幕在线播放| 毛片女人毛片| 国产日韩欧美亚洲二区| 日韩人妻高清精品专区| 久久精品久久精品一区二区三区| 在线观看人妻少妇| 午夜视频国产福利| 亚洲成色77777| 97人妻精品一区二区三区麻豆| xxx大片免费视频| 国产精品99久久99久久久不卡 | 久久精品国产a三级三级三级| 久久久久久久久久久免费av| 国产精品国产三级国产av玫瑰| 最近的中文字幕免费完整| 高清视频免费观看一区二区| 精品久久久久久电影网| 熟妇人妻不卡中文字幕| 亚洲成人精品中文字幕电影| 99热全是精品| 日韩av在线免费看完整版不卡| 春色校园在线视频观看| 99视频精品全部免费 在线| 深夜a级毛片| 成年人午夜在线观看视频| 五月开心婷婷网| 亚洲av一区综合| 晚上一个人看的免费电影| 三级男女做爰猛烈吃奶摸视频| 少妇的逼水好多| 亚洲三级黄色毛片| 亚洲欧美日韩无卡精品| 日本一二三区视频观看| 黄色欧美视频在线观看| 亚洲精品视频女| 久久99热这里只频精品6学生| 真实男女啪啪啪动态图| 蜜臀久久99精品久久宅男| 少妇裸体淫交视频免费看高清| 少妇猛男粗大的猛烈进出视频 | 国产黄色视频一区二区在线观看| 国产成人午夜福利电影在线观看| 亚洲精品视频女| 国产成人免费无遮挡视频| 国产色婷婷99| 国产黄色免费在线视频| 亚洲高清免费不卡视频| 五月开心婷婷网| 亚洲精品久久午夜乱码| 欧美激情国产日韩精品一区| 综合色丁香网| 免费看光身美女| 国产高清国产精品国产三级 | 中文天堂在线官网| 国产 精品1| 亚洲欧美精品自产自拍| 色婷婷久久久亚洲欧美| 午夜福利网站1000一区二区三区| 精品一区二区三区视频在线| 中文天堂在线官网| 国产美女午夜福利| 久久精品人妻少妇| 狂野欧美白嫩少妇大欣赏| 纵有疾风起免费观看全集完整版| 国产精品久久久久久精品电影小说 | 插逼视频在线观看| 91久久精品国产一区二区三区| 久久这里有精品视频免费| 亚州av有码| 乱码一卡2卡4卡精品| 视频区图区小说| 成人亚洲精品av一区二区| 欧美日韩视频精品一区| 婷婷色av中文字幕| 亚洲熟女精品中文字幕| 亚洲国产成人一精品久久久| 少妇丰满av| 特大巨黑吊av在线直播| 婷婷色综合大香蕉| 欧美极品一区二区三区四区| 亚洲av成人精品一二三区| 狠狠精品人妻久久久久久综合| 哪个播放器可以免费观看大片| 久久99热6这里只有精品| 汤姆久久久久久久影院中文字幕| 美女高潮的动态| 久久99蜜桃精品久久| 国产中年淑女户外野战色| 亚洲精品乱码久久久久久按摩| 午夜爱爱视频在线播放| 91午夜精品亚洲一区二区三区| 麻豆成人午夜福利视频| 在线观看av片永久免费下载| 久久久久性生活片| 国产 一区精品| 成人二区视频| 精品久久久久久久久亚洲| 亚洲精品中文字幕在线视频 | 黄色配什么色好看| 大片免费播放器 马上看| h日本视频在线播放| av卡一久久| 国产精品一区二区在线观看99| 免费观看无遮挡的男女| 三级男女做爰猛烈吃奶摸视频| 18禁在线无遮挡免费观看视频| 人人妻人人澡人人爽人人夜夜| 卡戴珊不雅视频在线播放| 国产黄片美女视频| 亚洲精品国产av成人精品| 亚洲国产高清在线一区二区三| 婷婷色综合www| 国产午夜福利久久久久久| 日本欧美国产在线视频| 精品人妻偷拍中文字幕| 免费黄色在线免费观看| 久久99精品国语久久久| 超碰97精品在线观看| av播播在线观看一区| 国产精品一区www在线观看| 中文天堂在线官网| 国产视频内射| 一区二区三区精品91| 在线免费观看不下载黄p国产| 国产黄色免费在线视频| 国产精品伦人一区二区| 久久久久精品久久久久真实原创| 国产日韩欧美亚洲二区| 国产av不卡久久| 久热这里只有精品99| 综合色av麻豆| av在线亚洲专区| 嫩草影院新地址| 五月开心婷婷网| 18禁在线无遮挡免费观看视频| 最近中文字幕2019免费版| 午夜福利视频1000在线观看| 国产爱豆传媒在线观看| 青春草国产在线视频| 日本与韩国留学比较| 色视频www国产| 国产一区二区三区av在线| 嘟嘟电影网在线观看| 久久精品久久久久久噜噜老黄| av线在线观看网站| 国产成年人精品一区二区| 男女无遮挡免费网站观看| 丰满乱子伦码专区| 伦精品一区二区三区| 亚洲色图综合在线观看| 国产高清不卡午夜福利| 性色avwww在线观看| 一级毛片黄色毛片免费观看视频| 午夜爱爱视频在线播放| 日产精品乱码卡一卡2卡三| 欧美3d第一页| 视频区图区小说| 日日啪夜夜爽| 久久久久精品久久久久真实原创| 亚洲精品456在线播放app| 久久国产乱子免费精品| 又爽又黄a免费视频| 18禁裸乳无遮挡动漫免费视频 | 色视频在线一区二区三区| 伦理电影大哥的女人| 插阴视频在线观看视频| 久久久亚洲精品成人影院| 国产69精品久久久久777片| 欧美bdsm另类| 久久久a久久爽久久v久久| 少妇的逼好多水| 欧美日本视频| 色播亚洲综合网| 夜夜看夜夜爽夜夜摸| 国产淫片久久久久久久久| 一区二区三区四区激情视频| 波多野结衣巨乳人妻| 亚洲av电影在线观看一区二区三区 | 日本一二三区视频观看| 日本黄大片高清| 18禁在线无遮挡免费观看视频| 在线a可以看的网站| 久久国内精品自在自线图片| 亚洲精品日韩在线中文字幕| 久热久热在线精品观看| 久久久成人免费电影| 99久久人妻综合| xxx大片免费视频| 久久久欧美国产精品| 精品少妇久久久久久888优播| 夫妻性生交免费视频一级片| 午夜爱爱视频在线播放| 97人妻精品一区二区三区麻豆| 日日啪夜夜爽| 一级毛片电影观看| 99久久九九国产精品国产免费| 国语对白做爰xxxⅹ性视频网站| 成人毛片a级毛片在线播放| 性色av一级| 亚洲国产av新网站| 男女无遮挡免费网站观看| 在线观看国产h片| 亚洲国产日韩一区二区| 国产亚洲精品久久久com| 精品人妻偷拍中文字幕| 亚洲av不卡在线观看| 亚洲精品乱久久久久久| 久久亚洲国产成人精品v| 色播亚洲综合网| 大话2 男鬼变身卡| 女人被狂操c到高潮| 成人国产麻豆网| 欧美97在线视频| 我要看日韩黄色一级片| 看十八女毛片水多多多| 春色校园在线视频观看| 全区人妻精品视频| 少妇裸体淫交视频免费看高清| 国语对白做爰xxxⅹ性视频网站| 大陆偷拍与自拍| 最后的刺客免费高清国语| 亚洲av二区三区四区| 久久6这里有精品| 一个人看视频在线观看www免费| 青春草亚洲视频在线观看| 80岁老熟妇乱子伦牲交| 国产精品三级大全| 成人综合一区亚洲| 777米奇影视久久| tube8黄色片| 日韩三级伦理在线观看| 99热这里只有是精品50| 色吧在线观看| av在线老鸭窝| 亚洲自偷自拍三级| 丝袜喷水一区| 97超视频在线观看视频| 在线观看一区二区三区激情| 大码成人一级视频| 国产精品麻豆人妻色哟哟久久| 亚洲精品色激情综合| tube8黄色片| 精品午夜福利在线看| 国产色婷婷99| 亚洲欧洲日产国产| 久热这里只有精品99| 国产亚洲最大av| 成人亚洲精品一区在线观看 | 精品一区二区三区视频在线| av免费观看日本| 久久久久久久亚洲中文字幕| 视频中文字幕在线观看| 制服丝袜香蕉在线| 蜜桃亚洲精品一区二区三区| 一本色道久久久久久精品综合| 97超碰精品成人国产| 97热精品久久久久久| 日日啪夜夜撸| 亚洲精品一区蜜桃| 国产精品爽爽va在线观看网站| 欧美最新免费一区二区三区| 免费在线观看成人毛片| 色吧在线观看| 欧美人与善性xxx| 亚洲四区av| 亚洲欧美日韩无卡精品| 精品久久久噜噜| 天美传媒精品一区二区| 日本-黄色视频高清免费观看| 色视频www国产| 97超视频在线观看视频| 在线精品无人区一区二区三 | 成人综合一区亚洲| 日日摸夜夜添夜夜爱| 人妻夜夜爽99麻豆av| 中文字幕制服av| 国产国拍精品亚洲av在线观看| 岛国毛片在线播放| 狂野欧美激情性bbbbbb| 亚洲国产精品专区欧美| 国产伦理片在线播放av一区| 99久久精品国产国产毛片| 亚洲欧美日韩无卡精品| 大又大粗又爽又黄少妇毛片口| 丝袜美腿在线中文| 亚洲精品视频女| 国产日韩欧美亚洲二区| 久久人人爽av亚洲精品天堂 | 一级片'在线观看视频| 精品酒店卫生间| 国产美女午夜福利| 亚洲综合色惰| 99re6热这里在线精品视频| 在线 av 中文字幕| 久久精品久久久久久噜噜老黄| 80岁老熟妇乱子伦牲交| 一区二区三区乱码不卡18| 欧美日韩在线观看h| 黄色欧美视频在线观看| 色播亚洲综合网| 久久久午夜欧美精品| 乱码一卡2卡4卡精品| 日韩成人av中文字幕在线观看| 国产成人精品久久久久久| 久久久久久久国产电影| 国产视频首页在线观看| 免费观看av网站的网址| 中文字幕制服av| 激情五月婷婷亚洲| 你懂的网址亚洲精品在线观看| 香蕉精品网在线| 一级毛片电影观看| 夜夜看夜夜爽夜夜摸| 欧美日韩亚洲高清精品| 有码 亚洲区| .国产精品久久| 免费看av在线观看网站| 亚洲内射少妇av| 人人妻人人澡人人爽人人夜夜| 韩国高清视频一区二区三区| 一级片'在线观看视频| 波野结衣二区三区在线| 人妻系列 视频| 自拍欧美九色日韩亚洲蝌蚪91 | 免费看光身美女| 亚洲欧美一区二区三区国产| 最近最新中文字幕免费大全7| 亚洲最大成人中文| 亚洲成人久久爱视频| 99热网站在线观看| 免费看光身美女| 在线免费观看不下载黄p国产| 亚州av有码| 三级经典国产精品| 99热这里只有是精品在线观看| 一级片'在线观看视频| 三级男女做爰猛烈吃奶摸视频| 国产精品久久久久久精品古装| 亚洲国产欧美人成| 国产精品久久久久久久电影| 欧美 日韩 精品 国产| 国产视频首页在线观看| 寂寞人妻少妇视频99o| 99久久人妻综合|