基于并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的高速鐵路車(chē)體圖像差異分類(lèi)算法

王志學(xué)，彭朝勇，羅 林，宋文偉

(西南交通大學(xué) 物理科學(xué)與技術(shù)學(xué)院，四川 成都 610031)

目前國(guó)內(nèi)外針對(duì)列車(chē)車(chē)身安全檢測(cè)的方法主要分為三類(lèi)，分別是人工檢測(cè)法、基于機(jī)器視覺(jué)的關(guān)鍵部件檢測(cè)法和基于機(jī)器視覺(jué)的整體比對(duì)法[1]。人工檢測(cè)方法效率低下，而且受檢測(cè)人員狀態(tài)影響較大。關(guān)鍵部件檢測(cè)法則是針對(duì)機(jī)車(chē)運(yùn)行起關(guān)鍵作用的部件進(jìn)行檢測(cè)，如吊桿、軸報(bào)箱、緊固螺栓和芯盤(pán)等。文獻(xiàn)[2]利用小波變換技術(shù)檢測(cè)緊固螺栓的安全狀態(tài)；文獻(xiàn)[3]研究出一套實(shí)時(shí)的螺栓檢測(cè)系統(tǒng)，用于代替人工檢測(cè)。同樣，在文獻(xiàn)[4-5]中，分別對(duì)緊固螺栓和制動(dòng)蹄片這兩種關(guān)鍵部件進(jìn)行安全檢測(cè)。這種檢測(cè)方法只對(duì)關(guān)鍵部件進(jìn)行檢測(cè)，無(wú)法覆蓋整個(gè)車(chē)體。整體比對(duì)法是以整個(gè)車(chē)體圖像作為檢測(cè)對(duì)象，利用結(jié)構(gòu)相似性[6]，將當(dāng)前過(guò)車(chē)車(chē)體圖像與歷史過(guò)車(chē)車(chē)體圖像(無(wú)異常的標(biāo)準(zhǔn)圖)進(jìn)行比對(duì)，從而檢測(cè)出兩次過(guò)車(chē)車(chē)體上的差異，然后將差異作為安全隱患向檢測(cè)人員報(bào)警，檢測(cè)人員再進(jìn)行最后的異常判斷。

雖然整體比對(duì)法可以對(duì)整輛列車(chē)進(jìn)行監(jiān)測(cè)，但是無(wú)法克服由水漬、油漬、標(biāo)記等非危險(xiǎn)差異引起的大量誤報(bào)警，這嚴(yán)重降低了整體比對(duì)法的檢測(cè)效率。在鐵路運(yùn)輸高速發(fā)展的今天，為保障列車(chē)運(yùn)行安全，適應(yīng)繁重的檢測(cè)任務(wù)，急需一種高效且精準(zhǔn)的自動(dòng)化檢測(cè)方式，以替代傳統(tǒng)的人工檢測(cè)，能對(duì)差異進(jìn)行自動(dòng)識(shí)別。

近年來(lái)，深度學(xué)習(xí)[7]的方法得益于其強(qiáng)大的非線性表達(dá)能力，在圖像處理領(lǐng)域得到了廣泛的應(yīng)用。相比于傳統(tǒng)特征提取方法在復(fù)雜背景下難以提取有效特征的缺點(diǎn)，如SIFT[8-9]、SURF[10]和HOG[11]等，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法強(qiáng)大的特征提取能力使它在圖像分類(lèi)、識(shí)別領(lǐng)域取得了矚目的成就。因此本文將深度學(xué)習(xí)的方法引入列車(chē)圖像異常識(shí)別系統(tǒng)中。

調(diào)研文獻(xiàn)發(fā)現(xiàn)，現(xiàn)在已經(jīng)有部分研究將深度學(xué)習(xí)方法運(yùn)用在鐵路相關(guān)領(lǐng)域。文獻(xiàn)[12]利用Faster R-CNN目標(biāo)識(shí)別網(wǎng)絡(luò)對(duì)高速鐵路接觸網(wǎng)承力索座進(jìn)行了目標(biāo)定位，然后檢測(cè)承力索座上的裂紋信息，實(shí)現(xiàn)了對(duì)承力索座裂紋故障的可靠診斷。文獻(xiàn)[13]提出一種級(jí)聯(lián)Faster R-CNN網(wǎng)絡(luò)用于檢測(cè)高速鐵路接觸網(wǎng)支撐與懸掛裝置中等電位線的散股故障。文獻(xiàn)[14]建立了一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的多故障判別模型，主要用于檢測(cè)邊框架螺栓和軸螺栓區(qū)域的一些故障。但是，以上研究都是針對(duì)列車(chē)車(chē)體關(guān)鍵部件的檢測(cè)，無(wú)法覆蓋整個(gè)車(chē)體。

1 網(wǎng)絡(luò)模型

基于以上原因，本文建立一個(gè)基于并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)[15]的列車(chē)車(chē)體異常檢測(cè)模型，見(jiàn)圖1。此模型包含兩個(gè)CNNs結(jié)構(gòu)，是一種并聯(lián)模型。與傳統(tǒng)分類(lèi)任務(wù)不同的是，差異分類(lèi)網(wǎng)絡(luò)的輸入為兩幅圖像，即歷史圖和當(dāng)前圖。神經(jīng)網(wǎng)絡(luò)首先需要檢測(cè)出兩幅圖像的差異信息，然后進(jìn)一步識(shí)別此差異信息是否存在安全隱患。根據(jù)調(diào)研所知，目前還沒(méi)有將卷積神經(jīng)網(wǎng)絡(luò)運(yùn)用在差異分類(lèi)上，但是有些相似工作。在遙感信息處理領(lǐng)域，并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)被廣泛地運(yùn)用在了變化檢測(cè)[16-18]上，通過(guò)輸入兩幅不同時(shí)期同一地點(diǎn)嚴(yán)格配準(zhǔn)的遙感圖，輸出變化情況，其為一種圖像分割任務(wù)，這和差異分類(lèi)任務(wù)相比有較大的不同。另外，雖然差異分類(lèi)只采用一個(gè)神經(jīng)網(wǎng)絡(luò)單階段完成，但是網(wǎng)絡(luò)內(nèi)部卻分為兩步：差異信息檢測(cè)和差異分類(lèi)。同時(shí)，為了提升網(wǎng)絡(luò)的性能，本文提出一種多形狀訓(xùn)練方法，并且設(shè)計(jì)了一種加入距離度量限制項(xiàng)的損失函數(shù)。最后，在以上優(yōu)化的基礎(chǔ)上建立一個(gè)復(fù)合并聯(lián)模型，進(jìn)一步提升網(wǎng)絡(luò)性能。

圖1 并聯(lián)模型

1.1 并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)模型

針對(duì)列車(chē)車(chē)體差異分類(lèi)任務(wù)，考慮樣本是當(dāng)前圖和歷史圖構(gòu)成的圖片對(duì)，首先建立一個(gè)并聯(lián)網(wǎng)絡(luò)模型，見(jiàn)圖1。模型主要由兩個(gè)結(jié)構(gòu)相同的CNNs模型并聯(lián)組成，兩個(gè)CNNs分支分別接收當(dāng)前圖和歷史圖作為輸入，經(jīng)過(guò)一系列卷積池化操作后，輸出兩幅圖的特征向量Fw,b(Curri)和Fw,b(Histi)。為了獲得更好的分類(lèi)結(jié)果，在兩個(gè)CNNs分支的輸出端，將兩幅圖的特征向量相減得到差分特征圖fend，再送進(jìn)全連接層和softmax層進(jìn)行分類(lèi)。值得注意的是，為了讓兩個(gè)CNNs分支能更好地提取圖片對(duì)的差異信息，兩個(gè)CNNs分支之間進(jìn)行權(quán)值共享。這種權(quán)值共享的方式也保證了兩個(gè)CNNs分支提取到的圖像特征在特征空間中的分布不會(huì)有較大的差異。

為使此分類(lèi)模型具有良好的性能，本文創(chuàng)新性地提出兩種改進(jìn)方式：①在訓(xùn)練中加入多形狀訓(xùn)練方法；②改進(jìn)損失函數(shù)，加入圖片對(duì)的距離度量限制項(xiàng)。

1.2 復(fù)合并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)模型

在圖1建立的并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上，本文還創(chuàng)新性地建立了一種復(fù)合并聯(lián)模型，見(jiàn)圖2，此復(fù)合并聯(lián)模型較圖1所示的并聯(lián)模型，增加了一個(gè)串聯(lián)分支一，并聯(lián)分支二與圖1模型結(jié)構(gòu)相同。串聯(lián)分支一與并聯(lián)分支二屬于并聯(lián)結(jié)構(gòu)，而并聯(lián)分支二內(nèi)部也是一個(gè)并聯(lián)結(jié)構(gòu)，分支一與分支二共同構(gòu)成了復(fù)合并聯(lián)模型。為了組合兩個(gè)分支的特征，在兩個(gè)分支的輸出端進(jìn)行了特征拼接，即將分支一的融合特征和分支二的差分特征在通道維度上進(jìn)行拼接，將拼接之后的特征輸入全連接層和softmax層進(jìn)行最后的分類(lèi)。

圖2 復(fù)合并聯(lián)模型

首先，圖片對(duì)在輸入分支一之前被合成一幅二通道的圖片，雖然二通道的圖片在自然圖像中不存在，但這里人為地將它們拼接起來(lái)。較分支二中兩個(gè)并聯(lián)CNNs獨(dú)立提取兩張圖片的特征，分支一通過(guò)對(duì)組合成的二通道圖片進(jìn)行卷積池化操作，能夠提取到兩張圖片的融合特征。即分支一提取到的特征是模型通過(guò)結(jié)合兩張圖片對(duì)應(yīng)位置的信息而得到的。一方面，對(duì)于模型來(lái)說(shuō)，可用于判斷的特征更加豐富；另一方面，分支一提取的特征是建立在網(wǎng)絡(luò)綜合考量?jī)蓮垐D片差異信息的基礎(chǔ)之上的，而分支二提取到的特征是網(wǎng)絡(luò)在兩張圖片上獨(dú)立提取出來(lái)的，兩種特征是互補(bǔ)的?？紤]并聯(lián)分支二兩個(gè)CNNs之間權(quán)值共享，在提取特征的時(shí)候也會(huì)綜合考量?jī)蓚€(gè)圖片之間的信息，但更多地是為了避免兩個(gè)CNNs提取到的特征在特征空間中的分布相差太大。因此，串聯(lián)分支一提取的圖片對(duì)之間的融合特征還是較并聯(lián)分支二提取的更加豐富和全面。試驗(yàn)證明，這種模型進(jìn)一步提升了網(wǎng)絡(luò)的性能。

1.3 多形狀訓(xùn)練方法

由于本文所采用的數(shù)據(jù)集中的圖片形狀是無(wú)規(guī)則的，即長(zhǎng)寬比是任意的，所以差異分類(lèi)網(wǎng)絡(luò)也應(yīng)該適應(yīng)不同的形狀。為了解決不同形狀的問(wèn)題，本研究提出了多形狀訓(xùn)練方法。主要采用了5種不同的形狀：90×180、180×90、128×128、90×90、180×180。對(duì)于90×180、180×90、128×128三種尺寸，它們有近似的像素點(diǎn)，所以計(jì)算量也大致相同。對(duì)于90×90、180×180兩種尺度的加入，是因?yàn)榭紤]神經(jīng)網(wǎng)絡(luò)的感受野，即卷積神經(jīng)網(wǎng)絡(luò)每一層輸出的特征圖上的像素點(diǎn)在輸入圖片上映射的區(qū)域大小。在CNNs模型結(jié)構(gòu)固定的情況下，其感受野也固定。因此，加入兩種尺度的圖片訓(xùn)練，希望模型在大尺度(180×180)下能夠提取到圖片對(duì)的小差異，在小尺度(90×90)下能夠提取到圖片對(duì)大的差異信息，即不同的尺度大小下，網(wǎng)絡(luò)“注意”到的圖片差異信息是不一樣的。同時(shí)，為了使5種尺寸的輸出向量可以轉(zhuǎn)化為相同的長(zhǎng)度以進(jìn)行最后的分類(lèi)，本模型在進(jìn)行全連接前采用了全局平均池化。

在訓(xùn)練時(shí)，5種尺寸的形狀交替進(jìn)行訓(xùn)練。測(cè)試時(shí)，圖像采用3種形狀(90×180、180×90、128×128)最接近的一個(gè)形狀變形，然后推理出差異的類(lèi)別。通過(guò)這種方式，數(shù)據(jù)集在一定程度上得到了擴(kuò)充，主要有兩方面的優(yōu)點(diǎn)：①由于樣本數(shù)量的增加，網(wǎng)絡(luò)性能得到了提升；②采用變形的策略有利于網(wǎng)絡(luò)專(zhuān)注于變化信息，而不是背景類(lèi)的類(lèi)別信息。雖然在之前的一些工作中，如在RCNN[15]網(wǎng)絡(luò)中，為防止網(wǎng)絡(luò)失真，變形都是應(yīng)該盡量避免的。但是差異分類(lèi)任務(wù)不是去識(shí)別圖像是什么，而是兩幅圖片之間的差異是什么類(lèi)別。采用多形狀訓(xùn)練策略，會(huì)使原始圖像變形為多種形狀，這樣圖片的背景信息會(huì)因?yàn)樽冃味д?，但是差異信息幾乎沒(méi)有變化。尤其是像污漬、亮度和異物這些沒(méi)有固定特征的差異，即使圖像更改了形狀，背景失真了，但是上述差異依舊十分真實(shí)，見(jiàn)圖3。這種策略會(huì)促使網(wǎng)絡(luò)更好的學(xué)習(xí)差異信息。

圖3 形狀變化

1.4 損失函數(shù)

為使模型針對(duì)差異分類(lèi)任務(wù)有更好的分類(lèi)效果，需要設(shè)計(jì)一個(gè)合適的損失函數(shù)。通過(guò)最小化損失函數(shù)，訓(xùn)練出一個(gè)能夠準(zhǔn)確提取圖片對(duì)差異特征的CNNs參數(shù)模型Fw,b，其中下角w和b分別代表模型的權(quán)重和偏置參數(shù)。此參數(shù)模型提取到圖片對(duì)的特征后，在特征空間中，正樣本(有異常)對(duì)應(yīng)的特征點(diǎn)之間的距離更加靠近，負(fù)樣本(無(wú)異常)對(duì)應(yīng)的特征點(diǎn)之間的距離更加遠(yuǎn)離，從而分離開(kāi)了正負(fù)樣本。

令Curri和Histi分別表示輸入模型的第i對(duì)列車(chē)當(dāng)前圖和歷史圖，F(xiàn)w,b(Curri)、Fw,b(Histi)表示模型輸出的當(dāng)前圖和歷史圖的特征向量。

1.4.1 分類(lèi)損失函數(shù)

采用交叉熵作為樣本類(lèi)別標(biāo)簽的預(yù)測(cè)，因此分類(lèi)損失函數(shù)可以表示為

fend=abs[Fw,b(Curri)-Fw,b(Histi)]

( 1 )

( 2 )

因此,模型的分類(lèi)損失表示為

( 3 )

1.4.2 距離損失函數(shù)

在距離損失函數(shù)中，模型需要學(xué)習(xí)優(yōu)化的距離度量可以表示為Dw,b(Curri,Histi)，它表示圖像對(duì)特征向量之間的距離。本文主要采用余弦距離Dcos作為距離的衡量，Dcos∈[1,0]。

基于余弦距離的圖片對(duì)特征向量之間的距離可以表示為

( 4 )

令

Dw,b(Curri,Histi)=Dcos(Curri,Histi)

( 5 )

則距離損失函數(shù)設(shè)置為

(1-yi)[1-Dw,b(Curri,Histi)]}

( 6 )

對(duì)式( 6 )的直觀理解是：實(shí)際中，不論是有異常的正樣本還是無(wú)異常的負(fù)樣本，圖片對(duì)之間的相似性都是介于(0,1)之間，只有完全相同的兩幅圖片，其相似性才為1。在此差異分類(lèi)模型中，認(rèn)為有異常的正樣本是完全不相似的，其相似性為0；而無(wú)異常的負(fù)樣本是完全一樣的，相似性為1。這樣，優(yōu)化的目標(biāo)就是令正樣本的特征距離趨近于0，負(fù)樣本的特征距離趨近于1，即

( 7 )

這樣設(shè)置的好處是，使模型能夠減少或者避免受光照、污漬、標(biāo)記等偽報(bào)警差異的影響，更加專(zhuān)注于提取圖片對(duì)中真正引起正報(bào)警的危險(xiǎn)差異。同時(shí)，在優(yōu)化損失函數(shù)后，正樣本(有異常)對(duì)應(yīng)的特征點(diǎn)之間的距離更近，負(fù)樣本(無(wú)異常)對(duì)應(yīng)的特征點(diǎn)之間的距離更遠(yuǎn)，正負(fù)樣本在特征空間中被更好地分隔開(kāi)來(lái)。

因此，模型訓(xùn)練的損失函數(shù)設(shè)置為

Loss=(1-λ)Lossclass(fend,y)+

λLossdis(Dw,b,y)

( 8 )

式中：λ為一個(gè)超參數(shù)，λ∈(0,1)，用于權(quán)衡分類(lèi)的損失和距離的損失，以讓模型性能達(dá)到最優(yōu)。

2 試驗(yàn)分析

2.1 數(shù)據(jù)集

本文試驗(yàn)的數(shù)據(jù)集總共包括16 625對(duì)圖片，其中正樣本(正確報(bào)警異常)8 355對(duì)，負(fù)樣本(偽報(bào)警異常)8 270對(duì)。隨機(jī)挑選15 625對(duì)樣本用于訓(xùn)練，1 000對(duì)樣本用于測(cè)試。正樣本主要包括因異物、丟失、松動(dòng)造成的差異。這類(lèi)差異會(huì)影響列車(chē)的運(yùn)行安全，比如異物出現(xiàn)在動(dòng)力裝置上，會(huì)影響機(jī)車(chē)的正常運(yùn)行。而負(fù)樣本主要是由污漬、標(biāo)記、亮度等引起的差異，這類(lèi)差異是非異常的，因?yàn)樗鼈儾粫?huì)對(duì)列車(chē)運(yùn)行安全造成影響。樣本集的部分實(shí)例見(jiàn)圖4，樣本集分配詳情如表1所示。

圖4 正負(fù)樣本實(shí)例

表1 差異分類(lèi)樣本分配情況

2.2 結(jié)果分析

在網(wǎng)絡(luò)訓(xùn)練時(shí)，采用的是Adam優(yōu)化器進(jìn)行梯度下降。由于采用了反向傳播算法，初始學(xué)習(xí)率被設(shè)置為0.01，衰減率被設(shè)置為0.99。除了第一卷積層外，在進(jìn)行卷積操作前都會(huì)首先依次執(zhí)行Batch Normalization(BN)算法和ReLU非線性激活。卷積神經(jīng)網(wǎng)絡(luò)的批大小為48，迭代次數(shù)為100 000次。為了避免過(guò)擬合，網(wǎng)絡(luò)還采用了L2正則化。網(wǎng)絡(luò)權(quán)值的初始化采用的是Xavier初始化器。所有試驗(yàn)都是基于TensorFlow深度學(xué)習(xí)框架編寫(xiě)，試驗(yàn)平臺(tái)的GPU和CPU配置分別為Nvidia RTX2070 GPU和Intel i7-8700 CPU，試驗(yàn)結(jié)果都是6次重復(fù)性試驗(yàn)得出的平均值。損失函數(shù)權(quán)重λ在0到1之間以0.1為步長(zhǎng)試驗(yàn)，如表2所示，最后確定在λ取值為0.1的時(shí)候模型性能最優(yōu)，因此本文中所有試驗(yàn)都將損失函數(shù)權(quán)重λ設(shè)為0.1。所有圖片在訓(xùn)練前都會(huì)進(jìn)行歸一化和隨機(jī)的翻轉(zhuǎn)。試驗(yàn)結(jié)果如表3所示。

表2 損失函數(shù)權(quán)重對(duì)模型的影響

表3 試驗(yàn)結(jié)果

如表3所示，試驗(yàn)逐一驗(yàn)證了優(yōu)化策略的性能提升，本文中網(wǎng)絡(luò)性能的提升由準(zhǔn)確率、精確率、召回率和F1指標(biāo)來(lái)評(píng)價(jià)，其中提升項(xiàng)使用F1綜合評(píng)價(jià)指標(biāo)衡量。從試驗(yàn)1、2可知，網(wǎng)絡(luò)加入距離度量之后，雖然精確率有所下降，但準(zhǔn)確率和召回率都有提升，因此綜合評(píng)價(jià)指數(shù)F1由84.22%提升到87.51%，提升了3.29%。由試驗(yàn)1、3可知，加入3種尺寸(180×90、90×180、128×128)訓(xùn)練后，網(wǎng)絡(luò)F1較未優(yōu)化的試驗(yàn)1模型提升至90.42%，提升6.20%，其他3項(xiàng)指標(biāo)也都有提升。由試驗(yàn)1、4可知，加入3種尺寸2種尺度，即5種尺寸訓(xùn)練之后，網(wǎng)絡(luò)性能提升至91.35%，提升了7.13%，其他三項(xiàng)也都有提升；而且，由試驗(yàn)3、4可知，在3種尺寸的基礎(chǔ)上加入2種尺度的訓(xùn)練，網(wǎng)絡(luò)性能也有提升，本試驗(yàn)中網(wǎng)絡(luò)F1指標(biāo)從90.42%提升至91.35%，提升了0.93%，其他3項(xiàng)性能也都有所提升；這也驗(yàn)證了前面的猜想，即加入多尺度訓(xùn)練能夠提升網(wǎng)絡(luò)性能。最后，為了獲得最優(yōu)模型，將3種優(yōu)化策略全都應(yīng)用于網(wǎng)絡(luò)，訓(xùn)練獲得了F1指標(biāo)為92.42%的性能，較未優(yōu)化網(wǎng)絡(luò)提升了8.20%。同時(shí)，準(zhǔn)確率與召回率由85.10%、80.60%提升到至92.60%、90.20%。在復(fù)合并聯(lián)模型試驗(yàn)中，模型提升規(guī)律同并聯(lián)模型，最后復(fù)合并聯(lián)模型的F1性能達(dá)到95.03%。而且，由試驗(yàn)1、6和5、10可以看到，復(fù)合并聯(lián)模型的性能總體優(yōu)于并聯(lián)模型。

為進(jìn)一步證明模型能夠準(zhǔn)確提取到差異信息，挑選了6對(duì)代表性的樣本圖片，將復(fù)合并聯(lián)模型兩個(gè)分支提取到的圖片特征進(jìn)行可視化，并與傳統(tǒng)的LBP算法提取的特征進(jìn)行比較，見(jiàn)圖5。

圖5 模型特征可視化

圖5(a)、5(b)、5(c)是正樣本圖片對(duì)，圖5(d)、5(e)、5(f)是負(fù)樣本圖片對(duì)。每組圖片對(duì)中，第一行分別表示當(dāng)前圖和歷史圖的原始圖片；第二、三行是復(fù)合模型中并聯(lián)分支提取到的當(dāng)前圖和歷史圖的特征；最后一行前兩張是復(fù)合模型中串聯(lián)分支提取到的特征，后兩張是利用LBP算法提取到的特征。由于深層網(wǎng)絡(luò)提取的特征太抽象難以理解，這里展示的只是第一層卷積后的特征圖中有代表性的10幅。

由圖5可以看出，復(fù)合并聯(lián)模型不僅能夠提取基本的邊緣信息，還可以檢測(cè)到兩幅圖像之間的差異。首先，對(duì)于并聯(lián)分支，它能夠分別提取兩幅圖片的差異信息，圖5(a)中第a2、a3行分別提取到了異物和背景的特征；圖5(b)、圖5(c)中，部件的轉(zhuǎn)動(dòng)被檢測(cè)了出來(lái)；圖5(d)中有污漬部分和無(wú)污漬部分的特征都能準(zhǔn)確地提取。對(duì)于串聯(lián)分支，由于輸入是二通道圖像，它可以很好地兼顧兩幅圖像之間的差異信息。如在a4、d4，差異信息異物和污漬被分割開(kāi)來(lái)，e4中第2張對(duì)光照部分有較強(qiáng)的響應(yīng)。同時(shí)，在與LBP算法提取到的特征進(jìn)行對(duì)比時(shí)我們發(fā)現(xiàn)，雖然LBP算法也能夠提取基本的邊緣輪廓信息，但是對(duì)于污漬、光照，不能有效地提取到差異特征。如d4中第3、4張，污漬特征并沒(méi)有被提取到，同樣e4中第3、4張也沒(méi)有提取到光照差異?？梢钥吹?，本復(fù)合模型中，并聯(lián)部分能夠獨(dú)立提取兩幅圖像的差異信息，而串聯(lián)部分綜合考量?jī)煞鶊D像的差異信息，兩部分提取的特征進(jìn)行融合，從而提升了模型的性能。

3 結(jié)束語(yǔ)

針對(duì)列車(chē)車(chē)體的差異分類(lèi)任務(wù)，本文建立了兩種網(wǎng)絡(luò)模型，分別是并聯(lián)模型以及改進(jìn)的復(fù)合并聯(lián)模型。通過(guò)可視化卷積特征，發(fā)現(xiàn)并聯(lián)部分能夠獨(dú)立提取到圖片對(duì)的差異信息，而串聯(lián)部分可以兼顧兩張圖片信息提取到差異信息，通過(guò)兩部分特征的融合，提升了網(wǎng)絡(luò)的性能。同時(shí)，為了提升差異分類(lèi)網(wǎng)絡(luò)的性能，本文提出了多形狀訓(xùn)練方法以及加入距離度量的損失函數(shù)。試驗(yàn)結(jié)果表明，這兩種優(yōu)化方法都能夠提升網(wǎng)絡(luò)的分類(lèi)性能。而且，本文建立的網(wǎng)絡(luò)模型不僅具有較高的檢測(cè)準(zhǔn)確率，對(duì)光照、水漬和油漬等偽報(bào)警也具有良好的魯棒性。

因此，本模型的提出，能夠有效彌補(bǔ)人工判斷差異效率低下、成本較高的不足，有一定的實(shí)際應(yīng)用價(jià)值。