面向交通工具金屬材料的缺損識(shí)別算法

李勝永，張智華，王勝男，王 孟

(1.江蘇航運(yùn)職業(yè)技術(shù)學(xué)院 交通工程系，江蘇 南通 226000；2.南通大學(xué) 理學(xué)院，江蘇 南通 226000)

0 引 言

完整的缺陷檢測任務(wù)旨在實(shí)現(xiàn)識(shí)別圖像中每個(gè)缺陷的特定類別和精確位置，這使得在實(shí)踐中該任務(wù)仍然具有挑戰(zhàn)性。缺陷檢測是分類和定位結(jié)合的聯(lián)合任務(wù)，導(dǎo)致相關(guān)方法往往難以兼顧兩者的準(zhǔn)確性。對(duì)金屬缺陷的檢查是保證例如高鐵軌道、輪船船體、汽車發(fā)動(dòng)機(jī)等幾乎所有交通工具安全運(yùn)行的關(guān)鍵步驟。然而，該過程通常依賴人工或者昂貴的精密設(shè)備，具有不可靠、不經(jīng)濟(jì)且耗時(shí)等特點(diǎn)。為了替換手工作業(yè)，筆者希望設(shè)計(jì)一種利用計(jì)算機(jī)視覺技術(shù)自動(dòng)檢查鋼材表面缺陷的輕便設(shè)備。

在此研究領(lǐng)域，專家們將缺陷檢測分為兩類：缺陷分類和缺陷定位，前者解決金屬是否包含某類缺陷，而后者進(jìn)一步解決某類缺陷的具體位置。以往的自動(dòng)缺陷檢測(ADI)有兩個(gè)常見的問題：一個(gè)是手工特征依賴人類經(jīng)驗(yàn)[1]，這導(dǎo)致缺陷類別判別誤差極大；另一個(gè)則是定位偏差較大，僅僅提供缺陷的大致位置[3]。深度學(xué)習(xí)技術(shù)克服了傳統(tǒng)ADI方法的缺陷，并在許多視覺任務(wù)中取得了顯著成果，它可以對(duì)位置注釋的樣本進(jìn)行訓(xùn)練以獲得精確的位置信息?；趥鹘y(tǒng)方法和深度學(xué)習(xí)的ADI技術(shù)，一些研究者進(jìn)行了大量的工作?；趥鹘y(tǒng)技術(shù)，K.C.SONG等[1]改進(jìn)了LBP以抵抗噪聲，并采用NNC和SVM對(duì)缺陷進(jìn)行分類；S.GHORAI等[5]基于一組小波特征，使用SVM進(jìn)行缺陷分類。與這兩種方法不同，M.X.CHU等[6]采用了通用特征提取器并增強(qiáng)了SVM。然而這些工作集中于缺陷分類，這在復(fù)雜的缺陷圖像中作用甚微。因此，后續(xù)工作集中于缺陷定位，文獻(xiàn)[3]和文獻(xiàn)[4]中的缺陷檢測器首先執(zhí)行0-1分類，判斷是否屬于缺陷類，然后根據(jù)邊緣檢測找到缺陷的位置，進(jìn)而執(zhí)行不同的分類方法確定該位置屬于何類缺陷。致力于提升該算法的效率，文獻(xiàn)[7]去掉最后的分類方法以提升速度，但它只能識(shí)別是否缺陷而不能識(shí)別其屬于何種缺陷。

在深度學(xué)習(xí)的方法上，基于CNN的特征提取通過大量學(xué)習(xí)構(gòu)建所有輸入數(shù)據(jù)的特征表示，以克服傳統(tǒng)方法上的粗略估計(jì)缺點(diǎn)?；贑NN的檢測器分為兩類：基于回歸的一階段檢測器和基于區(qū)域提議的兩階段檢測器。前者專注于速度的提升[8]，而后者強(qiáng)調(diào)目標(biāo)的準(zhǔn)確，但兩者均基于預(yù)定義的anchor框以獲取預(yù)測類別框。而最近，H.LAW等[10]探尋基于特征點(diǎn)的去anchor目標(biāo)檢測方法，但是其并沒有顯示出特別的優(yōu)勢且增加了運(yùn)算成本。實(shí)踐表明[12]，這類方法會(huì)產(chǎn)生較多的誤檢。一些研究者也探尋將基于anchor的通用檢測器運(yùn)用于缺陷檢測。P.H.CHEN等[13]證明，如Overfeat[14]一般的物體探測器可以通過某種方式轉(zhuǎn)移到缺陷檢測器上。而R.X.REN等[15]使用順序CNN提取特征可以提高缺陷檢測的分類準(zhǔn)確性。另外，V.NATARAJAN等[16]采用更深層的CNN(VGG19)用于進(jìn)行缺陷分類。最近，Y.HE等[17]提供了一種新穎的基于anchor的目標(biāo)檢測器用于缺陷檢測，并公布一種可以用于評(píng)估金屬缺陷探測性能的公開數(shù)據(jù)集，其提出的缺陷檢測器作為了該數(shù)據(jù)集的基線。

致力于保障缺陷檢測中高準(zhǔn)確率和高效率的目標(biāo)，筆者提出一種基于特征細(xì)化融合的金屬缺陷檢測器，以提供強(qiáng)大的特征分類和目標(biāo)精確定位的能力。其主要的貢獻(xiàn)在于：①設(shè)計(jì)了一種基于殘差模塊的特征細(xì)化骨干網(wǎng)絡(luò)，以提供良好的基礎(chǔ)特征；②吸收基于anchor框的一階段檢測器高效率和兩階段檢測器高精確的優(yōu)勢，提出一種沙漏型特征融合模塊，為檢測器的后處理階段提供細(xì)微的特征；③設(shè)計(jì)一種特征細(xì)化模塊，以加強(qiáng)圖像的上下文聯(lián)系；④在一階段檢測器的后處理部分添加批量歸一化以提升網(wǎng)絡(luò)泛化能力；⑤實(shí)現(xiàn)在移動(dòng)端設(shè)備上端到端的自動(dòng)檢測，并提供良好的性能。

1 特征細(xì)化融合缺損檢測器

在提出的檢測器中，首先由專門設(shè)計(jì)的骨干網(wǎng)絡(luò)提取圖像中的基礎(chǔ)特征，接著添加兩個(gè)殘差塊Res6和Res7繼續(xù)卷積計(jì)算，然后經(jīng)過沙漏模塊提取目標(biāo)的細(xì)微特征，并解決來自不同尺度特征的融合問題，再在沙漏模塊的每部分后使用金字塔特征細(xì)化模塊加強(qiáng)上下文聯(lián)系，最后經(jīng)過一階段檢測器的后處理實(shí)現(xiàn)缺陷的定位和分類。經(jīng)過詳細(xì)的測試，在4個(gè)檢測頭的所有卷積層后添加批量歸一化有助于網(wǎng)絡(luò)的泛化并增強(qiáng)檢測性能。在測試階段可以將批量歸一化層合并至卷積層，使運(yùn)算成本不會(huì)增加。網(wǎng)絡(luò)結(jié)構(gòu)如圖1。

圖1 金屬缺損檢測網(wǎng)絡(luò)結(jié)構(gòu)

1.1 基于殘差結(jié)構(gòu)的骨干網(wǎng)絡(luò)

在檢測網(wǎng)絡(luò)中，骨干網(wǎng)絡(luò)為后處理提供特征支持。常用的骨干網(wǎng)絡(luò)是VGG16[18]或殘差網(wǎng)絡(luò)ResNet[19]系列以及它們的改進(jìn)版本。通常情況下，非常深的殘差網(wǎng)絡(luò)如ResNet101[19]和ResNet101[20]等具有更好的特征提取能力，但會(huì)帶來巨大的計(jì)算量，導(dǎo)致其在實(shí)際工業(yè)應(yīng)用中常常被拋棄。ResNet成功的原因是殘差塊能夠減少特征傳遞時(shí)的損失，并且使用批量歸一化帶來較好的泛化能力。然而，較淺的殘差結(jié)構(gòu)通常不會(huì)顯示出比其它網(wǎng)絡(luò)更好的能力，如ResNet18和ResNet34，這是因?yàn)樵缴畹木W(wǎng)絡(luò)，特征損失越明顯。但是，淺層的殘差結(jié)構(gòu)能夠大幅提高網(wǎng)絡(luò)的運(yùn)行效率。筆者使用淺層的殘差網(wǎng)絡(luò)，并對(duì)其進(jìn)行重新設(shè)計(jì)，在保障運(yùn)算速度的同時(shí)提高網(wǎng)絡(luò)特征提取能力，能夠?qū)崿F(xiàn)比其它類似骨干網(wǎng)絡(luò)更好的效果。

傳統(tǒng)殘差網(wǎng)絡(luò)在首個(gè)卷積層中使用7×7的卷積核且輸出的特征圖被池化層迅速下采樣為1/2，此為一個(gè)巨大的詬病，會(huì)嚴(yán)重?fù)p失小物體的細(xì)節(jié)特征。這樣設(shè)計(jì)的原因可能是為后面各層減輕計(jì)算負(fù)擔(dān)。為此，在ResNet的頭網(wǎng)絡(luò)部分，7×7的大卷積核用3個(gè)3×3的小卷積核卷積層堆疊取代。這3個(gè)小卷積層輸出的特征圖并不會(huì)經(jīng)過池化層進(jìn)行下采樣。圖2是重新設(shè)計(jì)的Refine-ResNet18和原始ResNet18骨干網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比。ResNet34的設(shè)計(jì)與ResNet18類似，圖2中數(shù)字分別表示卷積核大小、輸出通道和輸出特征圖大小。這種設(shè)計(jì)是經(jīng)過實(shí)驗(yàn)結(jié)果得到的結(jié)論，也更適合針對(duì)的目標(biāo)。

1.2 沙漏型特征模塊

傳統(tǒng)的單階段檢測器如SSD和YOLOv3通常從骨干網(wǎng)絡(luò)深淺不同的卷積層輸出特征圖中按照特征點(diǎn)提取anchor框，以適應(yīng)不同尺度的目標(biāo)特征。然而此種方法太過于粗糙，各層提取的anchor框單獨(dú)分支并沒有將不同細(xì)節(jié)的特征進(jìn)行融合，導(dǎo)致了單階段檢測器面對(duì)小物體時(shí)常常表現(xiàn)失敗。而兩階段檢測器通過生成目標(biāo)提議候選框，然后分類回歸。兩步級(jí)聯(lián)回歸目標(biāo)參數(shù)和兩階段特征描述對(duì)象使得它們?cè)谛∧繕?biāo)中占據(jù)優(yōu)勢。在缺損識(shí)別定位領(lǐng)域，常有不易察覺或類間差異較小的缺損難以區(qū)分。所以，借助計(jì)算機(jī)視覺自動(dòng)識(shí)別缺損需要捕捉極細(xì)微的特征。為此，吸收一階段和兩階段檢測器的優(yōu)點(diǎn)，克服兩者的缺點(diǎn)，筆者設(shè)計(jì)了一種沙漏型特征模塊，用以融合不同尺度的特征并為后續(xù)的檢測頭處理階段消除大量負(fù)樣本。沙漏型特征模塊使用在骨干網(wǎng)絡(luò)與檢測頭之間，具體的結(jié)構(gòu)如圖1。

原始的SSD在骨干網(wǎng)絡(luò)VGG后添加了太多額外的卷積層繼續(xù)縮小特征圖，最終得到1×1的特征圖，然而太小的特征圖被認(rèn)為是多余的[21]。在本設(shè)計(jì)中，骨干網(wǎng)絡(luò)最小的輸出大小為5×5。為了結(jié)合不同尺度的特征，添加4個(gè)反卷積層，然后輸出的特征圖與對(duì)應(yīng)的骨干網(wǎng)絡(luò)卷積塊輸出的特征圖相融合，并將其輸入到檢測頭進(jìn)行后處理。這有利于檢測小物體。從圖1中可以看出，一系列的反卷積后，Res4模塊的輸出融合了其它3個(gè)殘差塊Res5、Res6和Res7輸出的所有尺度特征，這對(duì)目標(biāo)識(shí)別的貢獻(xiàn)最大。

1.3 特征細(xì)化模塊

圖像中的上下文信息常常是識(shí)別物體的重要依據(jù)，比如不能在天然的木材上識(shí)別到混合物。為此，筆者設(shè)計(jì)了一種金字塔特征細(xì)化模塊用以加強(qiáng)網(wǎng)絡(luò)的上下文聯(lián)系。該模塊的結(jié)構(gòu)如圖3。

由圖1和圖3可以看出，當(dāng)每個(gè)反卷積層與對(duì)應(yīng)的殘差塊進(jìn)行特征融合后輸入到金字塔特征細(xì)化模塊中，而金字塔細(xì)化模塊并不會(huì)下采樣輸出的特征圖，只是采用簡單的3個(gè)不同核大小的并行卷積層進(jìn)行計(jì)算后繼續(xù)融合。具體的原因是不同大小的卷積核具有不同大小的實(shí)際感受野，實(shí)現(xiàn)從不同大小的區(qū)域中感受相互之間的關(guān)聯(lián)性。

2 實(shí)驗(yàn)方法

實(shí)驗(yàn)分為3個(gè)部分：①通過消融實(shí)驗(yàn)驗(yàn)證骨干網(wǎng)絡(luò)、沙漏型特征模塊和特征融合模塊的具體作用；②比較與基線以及其它先進(jìn)方法的效能，以證明提出算法的高效；③將訓(xùn)練好的深度學(xué)習(xí)模型部署于嵌入式移動(dòng)端，通過FPGA測試模型的實(shí)際應(yīng)用能力。

2.1 數(shù)據(jù)集

NEU-DET數(shù)據(jù)集由Y.HE等[17]于2019年公布，其由2012年提出的缺陷分類數(shù)據(jù)集改版而來，提供6種類型缺陷圖像和基于CNN的基線模型。6種金屬缺陷分別為開裂、夾雜物、補(bǔ)丁、表面凹陷、表皮氧化以及劃痕(圖4)。訓(xùn)練集共包含1 500張圖像，這些圖像中包含的6類目標(biāo)框最少的有245個(gè)，最多的有261個(gè)，分布較為平衡。另外的298張圖像用于測試。為了發(fā)揮CNN的強(qiáng)大性能，在訓(xùn)練階段采用了包括隨機(jī)翻轉(zhuǎn)、裁剪等技術(shù)的隨機(jī)數(shù)據(jù)增強(qiáng)策略。

圖4 NEU-DET數(shù)據(jù)集中的類別實(shí)例

2.2 評(píng)估方法

為了更好的對(duì)比，采用了常用的評(píng)估方法。通過平均精度(Pave)來評(píng)估實(shí)驗(yàn)的結(jié)果，并記錄每一類別的準(zhǔn)確率P(Prcision)和召回率R(Recall)。這些指標(biāo)的計(jì)算方法如式(1)、式(2)。另外，以模型測試時(shí)的速度FPS(每秒運(yùn)行的幀數(shù))為單位來記錄。

(1)

(2)

式中：TP、FP代表真陽性和假陽性的數(shù)量，而FN表示假陰性的數(shù)量。

2.3 訓(xùn)練參數(shù)設(shè)置

首先，基于提出的骨干網(wǎng)絡(luò)，使用ImageNet數(shù)據(jù)集進(jìn)行分類預(yù)訓(xùn)練，這是漫長的過程。收斂良好的骨干網(wǎng)絡(luò)模型用于微調(diào)提出的檢測器。由于為檢測頭部分添加了BN，特征細(xì)化融合缺損檢測器能夠以較大的基礎(chǔ)學(xué)習(xí)率進(jìn)行微調(diào)訓(xùn)練，學(xué)習(xí)率取值為0.01。為了在訓(xùn)練過程中動(dòng)態(tài)調(diào)節(jié)學(xué)習(xí)率，通過多步數(shù)衰減方式衰減3次后減小為0.000 01，衰減步數(shù)為每1萬次迭代后衰減1/10。另外，批量大小為32，權(quán)重衰減參數(shù)為0.000 1，動(dòng)量為0.9，最大迭代次數(shù)為50 000 次，使用隨機(jī)梯度下降進(jìn)行優(yōu)化。所有的訓(xùn)練以及PC測試均基于搭配兩塊GTX 1080的caffe[22]框架完成。

3 結(jié)果與討論

3.1 消融實(shí)驗(yàn)

整個(gè)系列的消融實(shí)驗(yàn)分別以改進(jìn)的骨干網(wǎng)絡(luò)、沙漏型特征模塊、特征融合模塊以及為檢測頭部分添加批量歸一化作為單獨(dú)變量進(jìn)行。其中原始的Res18骨干網(wǎng)絡(luò)使用前人提供的ImageNet預(yù)訓(xùn)練模型進(jìn)行微調(diào)訓(xùn)練，而檢測頭部分未添加批量歸一化時(shí)只能使用0.001的基礎(chǔ)學(xué)習(xí)率訓(xùn)練。試驗(yàn)結(jié)果(置信閾值為0.01，IoU閾值為0.5)如表1。

4組實(shí)驗(yàn)均使用單一變量，其中無沙漏特征模塊在試驗(yàn)中只去除Conv8、反卷積層及其融合模塊，只在對(duì)應(yīng)的卷積層后使用特征細(xì)化模塊。從表1可以看出，無沙漏特征模塊對(duì)結(jié)果的影響最大，PmA值下降了13.77%，這表明該模塊對(duì)于提升缺損識(shí)別準(zhǔn)確度具有巨大貢獻(xiàn)。而對(duì)ResNet頭部的改進(jìn)對(duì)類別1和類別5的P值提升較多，這說明ResNet的頭部細(xì)化模塊能夠增強(qiáng)檢測器在難檢類別上的精度。而在檢測頭使用批量歸一化能夠提升網(wǎng)絡(luò)的整體性能。金字塔特征細(xì)化模塊的使用對(duì)結(jié)果并無明顯直觀的表現(xiàn)，但在實(shí)際應(yīng)用中能夠有效避免誤檢的發(fā)生。

表1 消融實(shí)驗(yàn)結(jié)果

3.2 與先進(jìn)檢測器的對(duì)比

經(jīng)過仔細(xì)的參數(shù)優(yōu)化，特征細(xì)化融合金屬缺陷檢測器在和NEU-DET基線網(wǎng)絡(luò)及其它先進(jìn)檢測器的具體性能比較中顯示出較強(qiáng)的優(yōu)勢。具體的結(jié)果如表2。表2中統(tǒng)計(jì)了置信閾值為0.01、IoU閾值為0.5情況下所有類別的PA值、總體的PmA值以及PC端GPU的測試速度。

表2 與先進(jìn)網(wǎng)絡(luò)的測試結(jié)果比較

如表2，基于優(yōu)化后的Res18骨干網(wǎng)絡(luò)的特征細(xì)化缺陷檢測器能后實(shí)現(xiàn)與基線網(wǎng)絡(luò)相當(dāng)?shù)腜mA，但測試速度更加具有優(yōu)勢。而Refine-Res34為骨干的網(wǎng)絡(luò)對(duì)比其它先進(jìn)檢測器，包括一階段和除Cascade R-CNN之外的所有兩階段網(wǎng)絡(luò)均能實(shí)現(xiàn)領(lǐng)先，但是Cascade R-CNN實(shí)在過于緩慢，缺乏在工業(yè)生產(chǎn)中利用的實(shí)際價(jià)值。而在與anchor free網(wǎng)絡(luò)的對(duì)比中，基于Saccade骨干網(wǎng)絡(luò)的ConnerNet檢測器的PmA值能夠超過提出的Res18網(wǎng)絡(luò)，但其在速度上處于劣勢。當(dāng)使用優(yōu)化后的Res34骨干網(wǎng)絡(luò)時(shí)，能夠?qū)崿F(xiàn)PmA值的完勝，并在速度上與其它網(wǎng)絡(luò)相當(dāng)，超過實(shí)時(shí)檢測器YOLOv3。當(dāng)忽略速度，使用多尺度測試時(shí)，所提出的網(wǎng)絡(luò)能夠超越所有的先進(jìn)網(wǎng)絡(luò)。值得一提的是，筆者提出的金屬缺陷識(shí)別網(wǎng)絡(luò)僅僅使用淺層的Res34便能夠?qū)崿F(xiàn)眾多使用ResNet101為骨干網(wǎng)絡(luò)的通用檢測器。6個(gè)類別的P-R曲線(圖5)和每類PA值直方圖(圖6)可直觀地顯示筆者提出金屬缺陷檢測器的優(yōu)勢。

圖5 P-R曲線

從圖5中可以發(fā)現(xiàn)，筆者提出的基于Refine-Res34骨干網(wǎng)絡(luò)的金屬缺陷檢測器在多尺度測試時(shí)能夠在P-R曲線中與先進(jìn)的兩階段檢測器Cascade R-CNN保持相當(dāng)?shù)淖邉?，而?yōu)于非常先進(jìn)的單階段檢測器YOLOv3和RefineDet。

圖6的直方圖可以明顯看出，筆者提出的網(wǎng)絡(luò)在每類PA值上均能保持較為先進(jìn)的結(jié)果。圖7給出了一些鋼材缺損識(shí)別的實(shí)例并與基線網(wǎng)絡(luò)進(jìn)行對(duì)比。相比而言，筆者所提網(wǎng)絡(luò)的故障檢測更少，如圖7(a)～(c)可以有效減少漏檢，圖7(d)～(e)中減少重疊框和誤檢。這些故障檢測在人工經(jīng)驗(yàn)中也屬于較難區(qū)分的范圍。

圖6 與先進(jìn)網(wǎng)絡(luò)AP結(jié)果對(duì)比

圖7 基線網(wǎng)絡(luò)和所提方法的實(shí)際測試結(jié)果對(duì)比

3.3 移動(dòng)端的實(shí)際部署

基于良好的檢測模型，使用聯(lián)詠公司生產(chǎn)的NT9852X嵌入式平臺(tái)(圖8)實(shí)現(xiàn)基于實(shí)物的具體測試，其中NT9852X使用兩組FPGA實(shí)現(xiàn)CNN的運(yùn)行。需要注意的是，移動(dòng)端由于內(nèi)存和運(yùn)算能力的限制，基于CNN的檢測器的計(jì)算量(Macc值)和參數(shù)量(Param)往往是衡量模型的重要基準(zhǔn)。表3列舉了一些先進(jìn)模型的計(jì)算量和參數(shù)量指標(biāo)。由表3可以發(fā)現(xiàn)，筆者提出模型的Macc值和參數(shù)量相比于一些大型網(wǎng)絡(luò)擁有較大的優(yōu)勢，而對(duì)于一些輕量級(jí)網(wǎng)絡(luò)Pelee來說，后者損失的準(zhǔn)確率在實(shí)際工業(yè)生產(chǎn)中是不可承受的。

圖8 NT9852X嵌入式平臺(tái)

表3 一些先進(jìn)網(wǎng)絡(luò)的計(jì)算量與參數(shù)值

在具體的測試過程中，首先將模型通過SDK編譯后植入嵌入式平臺(tái)。接著選用汽車部件鋼材，鋼材被人為地刻畫一些缺損信息用于測試嵌入式平臺(tái)。拍攝后的圖像用于測試，然后將結(jié)果輸出至計(jì)算機(jī)。具體的輸出結(jié)果如圖9。由圖9可以看出，筆者提出模型能夠?qū)崿F(xiàn)較為精準(zhǔn)的測試。最后，筆者提出的模型在移動(dòng)端Res18骨干網(wǎng)絡(luò)下能夠?qū)崿F(xiàn)10.5 FPS的速率。

圖9 嵌入式平臺(tái)實(shí)測

4 結(jié) 論

筆者以對(duì)交通安全十分重要的金屬材料的缺損檢測任務(wù)為出發(fā)點(diǎn)，基于CNN設(shè)計(jì)了一種可媲美兩階段網(wǎng)絡(luò)精度和一階段網(wǎng)絡(luò)速度的特征細(xì)化融合金屬缺損檢測器，實(shí)現(xiàn)對(duì)金屬缺陷的快速準(zhǔn)確檢測。通過優(yōu)化后的骨干網(wǎng)絡(luò)、沙漏型特征模塊、特征細(xì)化模塊和檢測頭階段的批量歸一化策略相互配合得到優(yōu)秀的結(jié)果。通過公共數(shù)據(jù)集中的消融試驗(yàn)和與先進(jìn)網(wǎng)絡(luò)的對(duì)比，試驗(yàn)結(jié)果均表明了筆者所提出網(wǎng)絡(luò)的有效性。最后，模型被部署在嵌入式平臺(tái)進(jìn)行移動(dòng)端測試，結(jié)果證明其能夠?qū)崿F(xiàn)良好的實(shí)踐性能。今后筆者將繼續(xù)完善算法，設(shè)計(jì)移動(dòng)產(chǎn)品，豐富缺損數(shù)據(jù)類型，推動(dòng)模型在汽車年檢、道路隨機(jī)車檢、軌道安全排查等領(lǐng)域的應(yīng)用。