• <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

    2021-04-02 05:59:00王志學(xué)彭朝勇宋文偉
    鐵道學(xué)報(bào) 2021年10期
    關(guān)鍵詞:特征差異檢測(cè)

    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 )

    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。

    猜你喜歡
    特征差異檢測(cè)
    相似與差異
    “不等式”檢測(cè)題
    “一元一次不等式”檢測(cè)題
    “一元一次不等式組”檢測(cè)題
    如何表達(dá)“特征”
    找句子差異
    不忠誠(chéng)的四個(gè)特征
    生物為什么會(huì)有差異?
    抓住特征巧觀察
    小波變換在PCB缺陷檢測(cè)中的應(yīng)用
    性色av乱码一区二区三区2| 国产淫片久久久久久久久 | 成年免费大片在线观看| 中文资源天堂在线| av中文乱码字幕在线| 日韩欧美三级三区| 色精品久久人妻99蜜桃| 丰满人妻熟妇乱又伦精品不卡| 免费看光身美女| 好男人电影高清在线观看| АⅤ资源中文在线天堂| 亚洲人与动物交配视频| 亚洲在线观看片| 小说图片视频综合网站| 国产精品久久久久久精品电影| 日本免费a在线| 日本撒尿小便嘘嘘汇集6| 亚洲欧美日韩高清在线视频| 色哟哟哟哟哟哟| 在线免费观看的www视频| 久久天躁狠狠躁夜夜2o2o| 精品日产1卡2卡| 国产亚洲精品综合一区在线观看| 午夜免费成人在线视频| 天美传媒精品一区二区| 亚洲avbb在线观看| 在线a可以看的网站| 国产不卡一卡二| 51午夜福利影视在线观看| 亚洲成a人片在线一区二区| 国产色婷婷99| 亚洲专区中文字幕在线| 精品久久久久久久毛片微露脸| 日韩有码中文字幕| 欧美乱码精品一区二区三区| 女人高潮潮喷娇喘18禁视频| 成人午夜高清在线视频| 久久久久精品国产欧美久久久| 网址你懂的国产日韩在线| 亚洲成人中文字幕在线播放| 欧美xxxx黑人xx丫x性爽| 蜜桃久久精品国产亚洲av| 在线十欧美十亚洲十日本专区| 亚洲美女黄片视频| 日韩欧美免费精品| 亚洲久久久久久中文字幕| 又黄又爽又免费观看的视频| 搡女人真爽免费视频火全软件 | 丁香六月欧美| 男女午夜视频在线观看| 欧美在线一区亚洲| 欧洲精品卡2卡3卡4卡5卡区| 一级黄色大片毛片| 久久久久久久久久黄片| 女警被强在线播放| 高清在线国产一区| 欧美最黄视频在线播放免费| 欧美激情久久久久久爽电影| 精品人妻偷拍中文字幕| 亚洲精品粉嫩美女一区| 国产亚洲欧美98| 欧美+日韩+精品| 悠悠久久av| 久久中文看片网| 观看美女的网站| 男人和女人高潮做爰伦理| 99久久精品国产亚洲精品| 老司机午夜福利在线观看视频| www.熟女人妻精品国产| 国产色婷婷99| 欧美日韩瑟瑟在线播放| 99视频精品全部免费 在线| 欧美日韩黄片免| 精品人妻1区二区| 免费av毛片视频| 欧美日韩中文字幕国产精品一区二区三区| а√天堂www在线а√下载| 青草久久国产| 亚洲一区高清亚洲精品| 99久久九九国产精品国产免费| 少妇丰满av| 母亲3免费完整高清在线观看| 99久国产av精品| 成人国产综合亚洲| 十八禁网站免费在线| 欧美色视频一区免费| 日日夜夜操网爽| 中文字幕av成人在线电影| 综合色av麻豆| 欧美日韩亚洲国产一区二区在线观看| 成人特级黄色片久久久久久久| 一进一出好大好爽视频| 别揉我奶头~嗯~啊~动态视频| 可以在线观看毛片的网站| 97碰自拍视频| 最近最新中文字幕大全免费视频| 中文字幕人妻熟人妻熟丝袜美 | 非洲黑人性xxxx精品又粗又长| 18+在线观看网站| 亚洲电影在线观看av| 国产av不卡久久| 最近在线观看免费完整版| 99精品在免费线老司机午夜| 国产真实伦视频高清在线观看 | 国产精品精品国产色婷婷| 欧美黄色淫秽网站| av福利片在线观看| 国产黄a三级三级三级人| 亚洲成av人片免费观看| 亚洲国产日韩欧美精品在线观看 | 成人18禁在线播放| ponron亚洲| 舔av片在线| 国产单亲对白刺激| 久久国产精品影院| 综合色av麻豆| 丰满人妻熟妇乱又伦精品不卡| 动漫黄色视频在线观看| 中文字幕人妻丝袜一区二区| 亚洲欧美激情综合另类| 免费无遮挡裸体视频| 久久久久久久久大av| 日韩亚洲欧美综合| 亚洲一区二区三区不卡视频| 精品国产美女av久久久久小说| 精品欧美国产一区二区三| 久久久久久久久中文| 国产成人系列免费观看| 18禁裸乳无遮挡免费网站照片| 高潮久久久久久久久久久不卡| 在线观看av片永久免费下载| 欧美在线一区亚洲| 亚洲av成人精品一区久久| 每晚都被弄得嗷嗷叫到高潮| 国产三级黄色录像| 给我免费播放毛片高清在线观看| 国产精品久久久久久人妻精品电影| 色综合亚洲欧美另类图片| 最近视频中文字幕2019在线8| 亚洲成人久久爱视频| 成人欧美大片| 国产免费一级a男人的天堂| ponron亚洲| 久久久精品欧美日韩精品| 99精品久久久久人妻精品| 校园春色视频在线观看| 欧美高清成人免费视频www| 波多野结衣高清无吗| 美女黄网站色视频| 久久6这里有精品| 婷婷丁香在线五月| 国内精品一区二区在线观看| 村上凉子中文字幕在线| 午夜福利免费观看在线| 可以在线观看的亚洲视频| 天堂av国产一区二区熟女人妻| 国产乱人视频| 亚洲精品国产精品久久久不卡| 久久久久九九精品影院| www.熟女人妻精品国产| 国产精品1区2区在线观看.| 12—13女人毛片做爰片一| 悠悠久久av| 岛国视频午夜一区免费看| 男人的好看免费观看在线视频| 国产高清三级在线| 老汉色∧v一级毛片| 久久香蕉国产精品| 午夜精品久久久久久毛片777| 午夜久久久久精精品| 精品福利观看| 久久国产乱子伦精品免费另类| 亚洲18禁久久av| 啪啪无遮挡十八禁网站| 三级毛片av免费| 99热精品在线国产| 日韩人妻高清精品专区| 天天添夜夜摸| 亚洲精品456在线播放app | 午夜影院日韩av| 久久久久久大精品| 成人性生交大片免费视频hd| 国产成人啪精品午夜网站| 伊人久久精品亚洲午夜| 少妇人妻一区二区三区视频| 少妇的逼好多水| 18美女黄网站色大片免费观看| 两人在一起打扑克的视频| 免费人成在线观看视频色| h日本视频在线播放| 99国产极品粉嫩在线观看| 舔av片在线| 一级黄片播放器| 久久久精品大字幕| 不卡一级毛片| 亚洲无线在线观看| 久久久久性生活片| 波多野结衣巨乳人妻| 日本五十路高清| 亚洲七黄色美女视频| 久久久久精品国产欧美久久久| 久久精品91蜜桃| 18禁国产床啪视频网站| 久久久久九九精品影院| 久久国产精品人妻蜜桃| 日韩欧美 国产精品| 精品乱码久久久久久99久播| 精品久久久久久久末码| 内地一区二区视频在线| 黄色日韩在线| 日韩欧美三级三区| 三级毛片av免费| 在线观看舔阴道视频| 99久久久亚洲精品蜜臀av| 琪琪午夜伦伦电影理论片6080| 99热6这里只有精品| 日本一本二区三区精品| 91字幕亚洲| 免费大片18禁| 老司机午夜福利在线观看视频| 国产伦一二天堂av在线观看| 久久人人精品亚洲av| 欧美黑人巨大hd| 国产成人啪精品午夜网站| 变态另类成人亚洲欧美熟女| av欧美777| 18禁在线播放成人免费| 日韩欧美精品免费久久 | 欧美3d第一页| 日本在线视频免费播放| 成人永久免费在线观看视频| 亚洲一区二区三区色噜噜| 国产蜜桃级精品一区二区三区| 国产精品久久久久久人妻精品电影| 两人在一起打扑克的视频| 欧美日韩国产亚洲二区| 97人妻精品一区二区三区麻豆| 国产精品,欧美在线| 国模一区二区三区四区视频| 黄色丝袜av网址大全| 亚洲精品在线美女| 草草在线视频免费看| 欧美性猛交黑人性爽| 无人区码免费观看不卡| 18+在线观看网站| 亚洲美女黄片视频| 亚洲aⅴ乱码一区二区在线播放| 国产久久久一区二区三区| 亚洲精品一卡2卡三卡4卡5卡| 精品久久久久久,| 天堂影院成人在线观看| 老司机午夜福利在线观看视频| 一本综合久久免费| 18禁黄网站禁片免费观看直播| 欧美成人性av电影在线观看| 精品久久久久久久久久久久久| 日本成人三级电影网站| 亚洲国产欧洲综合997久久,| 在线看三级毛片| 国内精品一区二区在线观看| 五月玫瑰六月丁香| 女人被狂操c到高潮| 国产亚洲精品久久久久久毛片| 免费高清视频大片| 午夜激情欧美在线| 欧美日韩瑟瑟在线播放| 色吧在线观看| 99riav亚洲国产免费| 蜜桃久久精品国产亚洲av| 免费av不卡在线播放| 美女黄网站色视频| 成年人黄色毛片网站| 国产激情欧美一区二区| 大型黄色视频在线免费观看| 天堂动漫精品| 1024手机看黄色片| 国产欧美日韩精品一区二区| 97碰自拍视频| 国产精品三级大全| 日本撒尿小便嘘嘘汇集6| 亚洲午夜理论影院| 人人妻人人澡欧美一区二区| 欧美性猛交黑人性爽| 夜夜夜夜夜久久久久| 国产亚洲精品一区二区www| 一区福利在线观看| 亚洲欧美精品综合久久99| 日韩精品青青久久久久久| 男人的好看免费观看在线视频| 成人国产综合亚洲| 久久6这里有精品| 国产亚洲精品av在线| 免费高清视频大片| 怎么达到女性高潮| 国产成年人精品一区二区| svipshipincom国产片| 一级a爱片免费观看的视频| 女警被强在线播放| 国产爱豆传媒在线观看| 一级作爱视频免费观看| 国产高潮美女av| 久久久久国内视频| 免费av不卡在线播放| av视频在线观看入口| 好看av亚洲va欧美ⅴa在| 久久久久久国产a免费观看| 国产成人a区在线观看| 久久婷婷人人爽人人干人人爱| 国产精品久久久久久久久免 | 一区二区三区高清视频在线| 成年人黄色毛片网站| 国产老妇女一区| 男女视频在线观看网站免费| 成人国产综合亚洲| 免费搜索国产男女视频| 天天一区二区日本电影三级| 欧美成人性av电影在线观看| 色老头精品视频在线观看| 我要搜黄色片| 内射极品少妇av片p| 麻豆国产97在线/欧美| 亚洲人成网站高清观看| 美女高潮喷水抽搐中文字幕| 中文在线观看免费www的网站| 最新中文字幕久久久久| 国产精品久久电影中文字幕| 3wmmmm亚洲av在线观看| 色综合欧美亚洲国产小说| 人人妻人人澡欧美一区二区| 欧美黄色淫秽网站| 日韩成人在线观看一区二区三区| 性欧美人与动物交配| 国产男靠女视频免费网站| 国产成人av教育| 国产高清视频在线播放一区| 国产成人aa在线观看| 99久久久亚洲精品蜜臀av| 欧美成狂野欧美在线观看| 在线观看免费视频日本深夜| a在线观看视频网站| 三级男女做爰猛烈吃奶摸视频| 女人十人毛片免费观看3o分钟| 一个人看视频在线观看www免费 | 一区二区三区激情视频| 桃红色精品国产亚洲av| 国产一区二区三区视频了| 国产精华一区二区三区| 日本黄大片高清| 午夜福利视频1000在线观看| 国产一级毛片七仙女欲春2| 一本久久中文字幕| 国内精品美女久久久久久| 给我免费播放毛片高清在线观看| 色哟哟哟哟哟哟| 久久九九热精品免费| 在线a可以看的网站| 久久精品91无色码中文字幕| 夜夜看夜夜爽夜夜摸| 久久久久九九精品影院| 国内精品美女久久久久久| 久久午夜亚洲精品久久| 午夜福利高清视频| 热99re8久久精品国产| 亚洲精品亚洲一区二区| 中文字幕精品亚洲无线码一区| ponron亚洲| 熟女人妻精品中文字幕| 日韩人妻高清精品专区| av片东京热男人的天堂| 亚洲国产精品sss在线观看| 少妇的丰满在线观看| 在线视频色国产色| 欧美成人免费av一区二区三区| 久久国产乱子伦精品免费另类| 国产精品亚洲av一区麻豆| 日韩免费av在线播放| 成人午夜高清在线视频| 欧美绝顶高潮抽搐喷水| а√天堂www在线а√下载| 看免费av毛片| 免费av毛片视频| 一本精品99久久精品77| 亚洲av成人av| 国产成人欧美在线观看| 精品久久久久久,| 国产v大片淫在线免费观看| 3wmmmm亚洲av在线观看| 黄色丝袜av网址大全| 国产私拍福利视频在线观看| 男女那种视频在线观看| 哪里可以看免费的av片| 成人精品一区二区免费| 少妇裸体淫交视频免费看高清| 久久精品国产亚洲av涩爱 | 色综合欧美亚洲国产小说| 男人舔女人下体高潮全视频| 一本精品99久久精品77| 久久精品影院6| 精品国内亚洲2022精品成人| 国产一区二区三区在线臀色熟女| 伊人久久精品亚洲午夜| 18美女黄网站色大片免费观看| 欧美区成人在线视频| 男插女下体视频免费在线播放| 国内精品美女久久久久久| 国产亚洲精品久久久com| 精品一区二区三区人妻视频| 在线免费观看不下载黄p国产 | 两个人的视频大全免费| 国产成人aa在线观看| 婷婷精品国产亚洲av在线| 国产97色在线日韩免费| 国产主播在线观看一区二区| 久久久久久久亚洲中文字幕 | 一进一出抽搐动态| 午夜福利18| 中出人妻视频一区二区| 丰满的人妻完整版| 啦啦啦韩国在线观看视频| 综合色av麻豆| www日本在线高清视频| 免费搜索国产男女视频| 精品一区二区三区视频在线观看免费| 亚洲人与动物交配视频| 国产真实伦视频高清在线观看 | 欧美黄色淫秽网站| 婷婷六月久久综合丁香| 高潮久久久久久久久久久不卡| 国产精品日韩av在线免费观看| 欧美高清成人免费视频www| 国产黄色小视频在线观看| 岛国在线观看网站| 久久久久国内视频| 精品电影一区二区在线| 国产69精品久久久久777片| 精华霜和精华液先用哪个| 丰满人妻熟妇乱又伦精品不卡| 99热只有精品国产| 色综合婷婷激情| 搡老妇女老女人老熟妇| 国产视频一区二区在线看| 久久午夜亚洲精品久久| 亚洲精品一区av在线观看| 99久国产av精品| 一进一出好大好爽视频| 99久久精品一区二区三区| 99国产综合亚洲精品| 757午夜福利合集在线观看| 久久6这里有精品| 99视频精品全部免费 在线| 亚洲国产色片| 亚洲欧美日韩无卡精品| 国产精品永久免费网站| 床上黄色一级片| 国产午夜精品论理片| 99久久无色码亚洲精品果冻| 免费人成在线观看视频色| 午夜福利18| 国产久久久一区二区三区| 日本精品一区二区三区蜜桃| 韩国av一区二区三区四区| 日韩av在线大香蕉| 国产午夜福利久久久久久| 国产成人aa在线观看| 日韩欧美精品v在线| 亚洲国产精品久久男人天堂| 少妇的逼好多水| 国产成+人综合+亚洲专区| 老鸭窝网址在线观看| 日本黄大片高清| 欧美色欧美亚洲另类二区| 在线观看一区二区三区| 一级毛片女人18水好多| 偷拍熟女少妇极品色| 亚洲av五月六月丁香网| 久9热在线精品视频| 亚洲乱码一区二区免费版| 一卡2卡三卡四卡精品乱码亚洲| 丰满人妻一区二区三区视频av | 丰满人妻一区二区三区视频av | 波多野结衣高清作品| 9191精品国产免费久久| 免费搜索国产男女视频| 国产高清视频在线播放一区| 欧美一级毛片孕妇| 国产精品,欧美在线| 中文字幕高清在线视频| 69av精品久久久久久| 欧美日韩黄片免| 99久久精品国产亚洲精品| 久久精品夜夜夜夜夜久久蜜豆| 淫妇啪啪啪对白视频| 深爱激情五月婷婷| 久久国产精品影院| 国产中年淑女户外野战色| 中文字幕人成人乱码亚洲影| 怎么达到女性高潮| 日本a在线网址| 精品国产超薄肉色丝袜足j| 99久久精品国产亚洲精品| 九九久久精品国产亚洲av麻豆| 国产激情欧美一区二区| 亚洲av熟女| 日本黄大片高清| 又爽又黄无遮挡网站| 色吧在线观看| 久久久久免费精品人妻一区二区| 日韩欧美精品免费久久 | 国产精品精品国产色婷婷| 国语自产精品视频在线第100页| 麻豆国产av国片精品| 亚洲美女黄片视频| 黑人欧美特级aaaaaa片| av在线天堂中文字幕| 女同久久另类99精品国产91| 在线看三级毛片| 他把我摸到了高潮在线观看| 亚洲成av人片在线播放无| 精品久久久久久久末码| 神马国产精品三级电影在线观看| 日韩欧美在线二视频| 久久香蕉国产精品| 国产黄片美女视频| 51国产日韩欧美| 一区福利在线观看| 精品久久久久久久人妻蜜臀av| 国产精品久久久久久人妻精品电影| 每晚都被弄得嗷嗷叫到高潮| 成人亚洲精品av一区二区| 国产欧美日韩精品亚洲av| 在线十欧美十亚洲十日本专区| tocl精华| 日韩 欧美 亚洲 中文字幕| 久久久精品大字幕| 欧美成人性av电影在线观看| 日韩欧美 国产精品| 国产v大片淫在线免费观看| 亚洲熟妇中文字幕五十中出| www日本在线高清视频| 久9热在线精品视频| 国产一区二区在线观看日韩 | 香蕉av资源在线| 在线观看舔阴道视频| 久久久久国内视频| 国产野战对白在线观看| 男女那种视频在线观看| 51午夜福利影视在线观看| 1000部很黄的大片| 内地一区二区视频在线| 淫秽高清视频在线观看| 亚洲成人免费电影在线观看| 亚洲一区高清亚洲精品| 亚洲av免费在线观看| 久久精品国产亚洲av涩爱 | 国产激情偷乱视频一区二区| 色播亚洲综合网| 精品电影一区二区在线| 久久久久精品国产欧美久久久| 国产精品精品国产色婷婷| 一区二区三区激情视频| 老司机午夜福利在线观看视频| 久久精品影院6| 亚洲色图av天堂| 精品无人区乱码1区二区| 国产91精品成人一区二区三区| 成人精品一区二区免费| 十八禁人妻一区二区| 久久国产乱子伦精品免费另类| 亚洲欧美日韩高清在线视频| 69av精品久久久久久| 97碰自拍视频| 最近最新中文字幕大全电影3| 午夜亚洲福利在线播放| 久久久久久人人人人人| 黄色丝袜av网址大全| 国产精品女同一区二区软件 | 亚洲专区国产一区二区| 色视频www国产| 国产欧美日韩精品亚洲av| 老司机在亚洲福利影院| 欧美色欧美亚洲另类二区| 99精品欧美一区二区三区四区| 亚洲va日本ⅴa欧美va伊人久久| 在线观看免费午夜福利视频| 国产精品久久久久久精品电影| 91麻豆精品激情在线观看国产| 国产午夜精品论理片| 1024手机看黄色片| 婷婷六月久久综合丁香| 亚洲一区二区三区不卡视频| 久久久国产成人免费| 国产蜜桃级精品一区二区三区| 国产伦在线观看视频一区| 日韩亚洲欧美综合| 男女做爰动态图高潮gif福利片| 亚洲无线观看免费| av女优亚洲男人天堂| 搡女人真爽免费视频火全软件 | 国产三级黄色录像| 亚洲人成网站在线播放欧美日韩| 中出人妻视频一区二区| 久久久久久大精品| 国产极品精品免费视频能看的| 熟女少妇亚洲综合色aaa.| 舔av片在线| 色哟哟哟哟哟哟| 成人18禁在线播放| 国产伦人伦偷精品视频| 日韩人妻高清精品专区| 黑人欧美特级aaaaaa片| 色播亚洲综合网| 久久人人精品亚洲av| av专区在线播放| 亚洲五月婷婷丁香| av欧美777|