基于YOLO-v5的雙塊式軌枕裂縫智能識別

崔曉寧，王起才,2 ，李 盛，代金鵬,2，梁柯鑫，李隆甫

(1.蘭州交通大學(xué) 土木工程學(xué)院，甘肅 蘭州 730070；2.道橋工程災(zāi)害防治技術(shù)國家地方聯(lián)合工程實驗室，甘肅 蘭州 730070；3.中鐵上海設(shè)計院集團(tuán)有限公司， 上海 200070； 4.中建三局集團(tuán)有限公司，甘肅 蘭州 730000)

截至2020年底，我國高速鐵路運營里程達(dá)到3.79萬km，居世界第一，高速鐵路在服務(wù)經(jīng)濟建設(shè)和社會發(fā)展的過程中扮演著不可或缺的角色[1]。在高速鐵路的運營過程中，由于列車的動荷載、地基不均勻沉降、外界溫度荷載等因素的影響，無砟軌道道床板及軌枕等構(gòu)件容易出現(xiàn)松動、開裂，嚴(yán)重影響高速鐵路的安全運營[2-3]。因此，開展軌枕裂縫相關(guān)研究具有較高的科研價值與現(xiàn)實意義。

鑒于軌枕裂縫研究的重大意義，國內(nèi)外學(xué)者針對軌枕的裂縫進(jìn)行相關(guān)研究，也產(chǎn)出豐碩成果。曾志平等[4]基于太陽能輻射及表面換熱理論，建立軌枕的溫度場數(shù)值模型，通過研究不同工況下的溫度場變換得到了最不利工況，研究成果為雙塊式軌枕的設(shè)計及養(yǎng)護(hù)提供了理論支撐。徐凌雁[5]分析雙塊式軌枕成段開裂機制，結(jié)合實際工程背景，提出針對雙塊式軌枕成段開裂的病害整治方案。郭潤平等[6]利用三維光學(xué)應(yīng)變測量儀和裂縫檢測儀觀察研究多孔火山巖骨料混凝土軌枕的疲勞裂縫發(fā)展規(guī)律，結(jié)果表明軌枕疲勞裂縫的擴展速率與加載次數(shù)呈現(xiàn)明顯的非線性關(guān)系。文獻(xiàn)[7]基于斷裂力學(xué)研究B70預(yù)應(yīng)力混凝土軌枕的裂紋擴展，研究結(jié)果表明：在確定裂紋擴展參數(shù)KIC、裂紋長度及CMOD情況下，預(yù)應(yīng)力混凝土軌枕的斷裂行為是可預(yù)測的。張景偉[8]基于西北地區(qū)的惡劣環(huán)境因素，分析了西北地區(qū)軌枕裂縫的形成原因，并總結(jié)了軌枕開裂寬度對裂縫內(nèi)部碳化程度的影響規(guī)律。以往的研究成果一般基于軌枕裂縫的產(chǎn)生機制和擴展規(guī)律展開，然而由于外界荷載、溫度場、不均勻沉降的不間斷性與不可避免性，軌枕的裂縫也隨之不斷產(chǎn)生和發(fā)展，為保證高速鐵路的安全運營，需要對軌枕裂縫進(jìn)行損傷識別以便及時更換不能繼續(xù)正常工作的軌枕。因此，開展軌枕的裂縫目標(biāo)檢測對高速鐵路的安全運營具有很高的科研價值。

基于深度學(xué)習(xí)的結(jié)構(gòu)損傷智能識別是目前結(jié)構(gòu)健康監(jiān)測領(lǐng)域的重要研究課題。對于鐵路建筑而言，國內(nèi)外學(xué)者紛紛開展基于深度學(xué)習(xí)的鐵路損傷識別研究?？奂亩ㄆ诎踩珯z測對鐵路安全運營意義重大，為實現(xiàn)軌道扣件的智能安全檢測，文獻(xiàn)[9]建立多尺度深度檢測網(wǎng)絡(luò)(MSF-DDN)與區(qū)域多分類網(wǎng)絡(luò)，實現(xiàn)了鐵路扣件的智能異常檢測。文獻(xiàn)[10]基于Faster R-CNN目標(biāo)檢測模型實現(xiàn)了扣件的缺陷檢測。文獻(xiàn)[11]以日本高速鐵路線(東海道新干線)鋼筋混凝土鐵路高架橋的局部損傷為研究對象，建立全卷積神經(jīng)網(wǎng)路進(jìn)行結(jié)構(gòu)表面剝落的像素級語義分割，進(jìn)而實現(xiàn)高速鐵路建筑健康狀態(tài)的自動化評估。鋼軌表面缺陷的嚴(yán)重程度關(guān)系鐵路安全運營，文獻(xiàn)[12]基于SqueezeNet和MobileNetV2的融合模型實現(xiàn)了對鋼軌表面缺陷的高精度智能檢測。文獻(xiàn)[13]為實現(xiàn)鐵路接觸網(wǎng)異常檢測，建立基于深度學(xué)習(xí)的改進(jìn)視網(wǎng)膜模型，提高了接觸網(wǎng)故障診斷的精度和效率。文獻(xiàn)[14]基于YOLO-v3和RetinaNet的遷移學(xué)習(xí)模型實現(xiàn)了軌道裂縫的損傷智能檢測。為解決裂縫圖像正負(fù)樣本不均衡的難點，文獻(xiàn)[15-16]在Unet語義分割模型上引入注意力機制進(jìn)行模型改良，并基于改良后的Unet模型進(jìn)行裂縫語義分割，得到較高的裂縫識別精度。

對于高速鐵路的發(fā)展，實現(xiàn)智能化是大勢所趨，人工智能技術(shù)在鐵路相關(guān)研究中也紛紛開展[10,13,17-18]。由于人工智能在土木工程領(lǐng)域的應(yīng)用尚處于發(fā)展階段，因此，深度學(xué)習(xí)技術(shù)對許多土木工程領(lǐng)域還未涉足，針對軌枕裂縫的目標(biāo)檢測，目前研究較少。本文采用先進(jìn)計算機視覺智能識別方法進(jìn)行軌枕裂縫的目標(biāo)檢測，將目前先進(jìn)的目標(biāo)檢測算法——YOLO-v5[19]應(yīng)用于研究較少的軌枕裂縫識別，并基于優(yōu)化后的YOLO-v5模型進(jìn)行高精度的軌枕裂縫檢測，在實現(xiàn)軌枕裂縫智能識別的同時也為計算機視覺技術(shù)在鐵路行業(yè)的應(yīng)用與發(fā)展提供一定參考。 目前目標(biāo)檢測算法的圖像邊界框多是目標(biāo)整體框選[10,17,20-21]，而裂縫圖像具有極強的正負(fù)樣本不均衡性，即需要關(guān)注的裂縫本身在圖像中占的像素點極少，不需要關(guān)注的圖像背景卻占整個圖像的絕大部分。如果裂縫圖像的標(biāo)注框太大，深度學(xué)習(xí)模型對于軌枕裂縫的識別結(jié)果欠佳；標(biāo)注框太小，則深度學(xué)習(xí)模型容易學(xué)習(xí)到裂縫圖像中的噪點和干擾。因此，本文通過試算采用適度密集標(biāo)注法制作軌枕裂縫數(shù)據(jù)集標(biāo)簽并取得較高的模型預(yù)測精度。

1 軌枕裂縫數(shù)據(jù)集

1.1 數(shù)據(jù)集簡介

本文所用的雙塊式軌枕裂縫數(shù)據(jù)集來自“智創(chuàng)工程AI挑戰(zhàn)賽”。軌枕裂縫數(shù)據(jù)集總量為2 532張圖片，每張裂縫圖片的分辨率為1 400×1 200，裂縫數(shù)據(jù)集在不同光照、不同干擾條件下采集而得，可有效地提高目標(biāo)檢測模型的魯棒性。數(shù)據(jù)集按照6∶2∶2劃分為訓(xùn)練集、驗證集和測試集。訓(xùn)練集用來訓(xùn)練擬合模型權(quán)重參數(shù)，驗證集用來調(diào)整模型參數(shù)以便得到最優(yōu)模型，測試集則利用得到的最優(yōu)模型進(jìn)行最終輸出預(yù)測和評價。圖1呈現(xiàn)的是部分具有代表性的軌枕裂縫照片。

圖1 不同條件下軌枕裂縫展示

1.2 數(shù)據(jù)集標(biāo)注

本文所做的軌枕裂縫智能識別屬于有監(jiān)督學(xué)習(xí)的范疇。有監(jiān)督學(xué)習(xí)是將具有標(biāo)簽的數(shù)據(jù)集輸入深度學(xué)習(xí)模型，進(jìn)而使深度學(xué)習(xí)模型學(xué)習(xí)到數(shù)據(jù)集輸入與標(biāo)簽之間的映射，最后將得到的映射關(guān)系應(yīng)用到測試數(shù)據(jù)集上，以達(dá)到分類或回歸的目的。因此在利用深度學(xué)習(xí)算法對軌枕裂縫進(jìn)行智能識別之前，需要對數(shù)據(jù)集中的每一張軌枕裂縫進(jìn)行裂縫標(biāo)簽制作，本文采用的裂縫標(biāo)簽制作軟件為LabelImg，其標(biāo)注過程如圖2所示。通過大量試算發(fā)現(xiàn)，軌枕裂縫標(biāo)注框不能過大或過小：標(biāo)注框太大，深度學(xué)習(xí)模型對于軌枕裂縫的識別結(jié)果欠佳；標(biāo)注框太小，深度學(xué)習(xí)模型則容易學(xué)習(xí)到裂縫圖像中的噪點和干擾。因此，本文通過試算采用適度密集標(biāo)注法進(jìn)行軌枕裂縫的標(biāo)簽制作，為目標(biāo)檢測算法提供數(shù)據(jù)基礎(chǔ)。

圖2 LabelImg裂縫標(biāo)注過程

2 算法理論

2.1 目標(biāo)檢測算法

目標(biāo)檢測算法可分為兩大類：

(1)一階段目標(biāo)檢測。一階段目標(biāo)檢測算法可以一次性預(yù)測出目標(biāo)的類別和位置，這類算法具有識別速度快的特點，但是比兩階段目標(biāo)檢測算法的識別精度低，一階段目標(biāo)檢測代表算法有YOLO-v3[22]、SSD[23]等。

(2)兩階段目標(biāo)檢測。這類目標(biāo)檢測算法原理如下：首先，通過對輸入模型的圖像進(jìn)行選擇性搜索，進(jìn)而得到候選區(qū)域；其次，將生成的候選區(qū)域輸入卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行特征學(xué)習(xí)與提取；再次，通過全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類；最后，得到圖像的預(yù)測邊界框與置信度。兩階段目標(biāo)檢測具有精度高的特點，但識別速度較慢，兩階段目標(biāo)檢測代表算法有Faster-RCNN[24]、Spp-Net[25]等。YOLO系列算法經(jīng)過不斷的迭代更新，目前已經(jīng)更新出最新的YOLO-v5算法，YOLO-v5算法結(jié)合了目前目標(biāo)檢測算法領(lǐng)域的眾多先進(jìn)技術(shù)，如Mosaic數(shù)據(jù)增強技術(shù)、自適應(yīng)錨定框、空間金字塔池化、Head-YOLO等。通過結(jié)合以上先進(jìn)技術(shù)，YOLO-v5已成為目標(biāo)檢測領(lǐng)域性能最好的模型之一，尤其對于小目標(biāo)的檢測，YOLO-v5體現(xiàn)出了較高的適用性與精確度[26-27]，而軌枕裂縫也屬于小目標(biāo)的范疇，因此，本文基于YOLO-v5進(jìn)行軌枕裂縫的智能檢測。

2.2 YOLO目標(biāo)檢測算法原理

YOLO目標(biāo)檢測算法是將目標(biāo)檢測任務(wù)轉(zhuǎn)化為回歸與分類的綜合任務(wù)，其算法原理為：將輸入的整張圖片分割成S×S網(wǎng)格，對于每一個網(wǎng)格，模型都預(yù)測B個預(yù)測框，每個預(yù)測框包含了預(yù)測物的類別和置信度，進(jìn)而預(yù)測得到S×S×B個目標(biāo)檢測窗口，根據(jù)模型預(yù)先設(shè)定好的閾值，神經(jīng)網(wǎng)絡(luò)模型會先清除置信度比較低的目標(biāo)窗口，最后根據(jù)非極大值抑制算法篩除冗余窗口，即可得到最終的目標(biāo)檢測結(jié)果，該預(yù)測結(jié)果包含目標(biāo)物的類別與置信度，YOLO目標(biāo)檢測算法的原理示意如圖3所示。

圖3 YOLO算法目標(biāo)檢測原理示意

2.3 YOLO-v5算法結(jié)構(gòu)

軌枕裂縫目標(biāo)檢測任務(wù)的最終目的是用先進(jìn)的計算機視覺技術(shù)來代替?zhèn)鹘y(tǒng)的人工檢測，因此，裂縫的檢測算法最終要部署在移動端進(jìn)行裂縫智能識別[21]，這就要求裂縫識別的模型滿足實時識別與檢測精度的要求，YOLO系列算法識別速度快，實時性強，目標(biāo)檢測識別精度高。這與軌枕裂縫的智能識別任務(wù)契合度較高，因此，本文采取YOLO-v5[13]算法作為軌枕的裂縫識別模型，YOLO-v5算法總體結(jié)構(gòu)如圖4所示。

從圖4可以看出：YOLO-v5算法結(jié)構(gòu)由四部分組成，分別為輸入端、主干網(wǎng)絡(luò)、瓶頸塊、預(yù)測。輸入端主要完成Mosaic數(shù)據(jù)增強和自適應(yīng)錨框計算；主干網(wǎng)絡(luò)結(jié)構(gòu)主要對圖片進(jìn)行特征提取，需要特別指出的是，F(xiàn)ocus算法塊首次出現(xiàn)在v5版本中，該算法塊用于對608×608×3的輸入圖片進(jìn)行切片和卷積，進(jìn)而得到304×304×32的特征圖；瓶頸塊結(jié)構(gòu)采用FPN+PAN網(wǎng)絡(luò)，實現(xiàn)對不同等級特征的融合；預(yù)測部分完成對輸入圖像的預(yù)測。YOLO-v5用到的算法塊運算原理如圖5所示。

圖4中所示的YOLO-v5算法整體由圖5中的細(xì)部算法基本塊堆疊而成，圖5中的算法基本塊由以下單元組成：

圖4 YOLO-v5算法結(jié)構(gòu)

圖5 YOLO-v5細(xì)部算法塊

(1)ConV層，又稱卷積層，其作用是提取輸入圖像的特征信息。

(2)BN層，又稱批標(biāo)準(zhǔn)化層，其作用是對輸入進(jìn)行標(biāo)準(zhǔn)化處理，從而極大地抑制神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)的過擬合與梯度彌散問題。

(3)LeakyRelu激活函數(shù)，其作用主要為在神經(jīng)網(wǎng)絡(luò)模型中引入非線性因素，使神經(jīng)網(wǎng)絡(luò)模型可以執(zhí)行非線性任務(wù)。

(4)Concat層，又稱拼接層，其作用主要是將兩個及兩個以上的特征圖在通道維度進(jìn)行拼接，以實現(xiàn)不同層次的特征信息融合。

(5)Slice運算，對輸入圖像進(jìn)行切片操作，使Focus模塊能在信息不丟失的情況下實現(xiàn)二倍下采樣。

(6)Maxpool層，又稱池化層，其作用是提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度且有效防止過擬合現(xiàn)象發(fā)生。

2.4 損失函數(shù)

根據(jù)YOLO-v5目標(biāo)檢測原理與算法結(jié)構(gòu)分析，YOLO-v5目標(biāo)檢測模型在得到最終的預(yù)測結(jié)果前，需要完成三個任務(wù)：目標(biāo)物的分類、目標(biāo)物預(yù)測框位置回歸、目標(biāo)物的置信度回歸預(yù)測。因此，基于以上三個任務(wù)，YOLO-v5目標(biāo)檢測任務(wù)用到三種損失函數(shù)，最終的損失函數(shù)為三者之和。

2.4.1 目標(biāo)分類損失函數(shù)

軌枕裂縫的目標(biāo)檢測模型的分類任務(wù)就是區(qū)分輸入圖片中的裂縫和背景，屬于二分類任務(wù)，因此，本文的目標(biāo)分類損失函數(shù)為BinaryCrossEntropy損失函數(shù)，其計算公式為[17]

L(f(x),y)=-[yln(f(x))+(1-y)ln(1-f(x))]

(1)

式中：f(x)為預(yù)測結(jié)果類別y的概率;y為預(yù)測的類別。

2.4.2 IoU、GIoU及CIoU原理

根據(jù)IoU、GIoU、CIoU三者的特點，同時結(jié)合軌枕裂縫目標(biāo)檢測的任務(wù)需要，對于預(yù)測框位置的回歸任務(wù)選用CIoU為損失函數(shù)，對于預(yù)測目標(biāo)置信度的回歸任務(wù)選用GIoU為損失函數(shù)。GIoU、CIoU均由IoU改良而來，三者的原理及特點如表1所示。

表1 IoU、GIoU及CIoU原理匯總

3 試驗結(jié)果與討論

3.1 試驗環(huán)境及超參數(shù)

軌枕裂縫的目標(biāo)檢測數(shù)據(jù)量較大，且數(shù)據(jù)格式為RGB圖像，因此，為加速YOLO-v5神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與收斂，使用GPU對模型計算進(jìn)行加速，YOLO-v5目標(biāo)檢測模型搭建與訓(xùn)練所需的操作環(huán)境和依賴庫如表2所示。

表2 計算機參數(shù)

軌枕裂縫目標(biāo)檢測超參數(shù)設(shè)置如下：本文YOLO-v5模型的初始學(xué)習(xí)率為0.001，學(xué)習(xí)率調(diào)整策略選取余弦退火算法[28]，優(yōu)化器選用Adam優(yōu)化器，圖像輸入批大小為16，通過Mosaic數(shù)據(jù)增強技術(shù)[29]對輸入的每一批次數(shù)據(jù)進(jìn)行數(shù)據(jù)增強處理，以便生成更多的訓(xùn)練樣本，提升模型的魯棒性和準(zhǔn)確率。

3.2 試驗結(jié)果

圖6、圖7為模型的運算過程曲線，由圖6可得：訓(xùn)練集正確率最終收斂于98.75%，驗證集正確率收斂于98.36%，兩者的最終收斂值都較高且兩者非常接近，說明軌枕裂縫目標(biāo)檢測模型沒有發(fā)生過擬合或欠擬合現(xiàn)象，模型的目標(biāo)預(yù)測結(jié)果準(zhǔn)確可靠。由圖7可得：訓(xùn)練集的損失收斂速度較快，訓(xùn)練集的損失值提前收斂于0.12，驗證集的損失收斂速度較慢，其損失值最終也收斂于0.12附近，兩者的損失最終收斂值基本一致，這也說明了本文的目標(biāo)檢測模型參數(shù)設(shè)置合理，預(yù)測結(jié)果準(zhǔn)確。

圖6 模型正確率曲線

圖7 模型損失函數(shù)曲線

3.3 目標(biāo)檢測評價

根據(jù)目標(biāo)真實標(biāo)注框和模型預(yù)測框的相對關(guān)系，目標(biāo)檢測模型的預(yù)測結(jié)果分為四種：真陽性(TP)、假陽性(FP)、真陰性(TN)、假陰性(FN)。為了評價模型裂縫檢測能力的優(yōu)劣，引入了模型的評價指標(biāo)：PA(目標(biāo)檢測正確率)、mAP(平均精度)和Recall(回調(diào))，在訓(xùn)練YOLO-v5目標(biāo)檢測模型的同時，YOLO-v2、YOLO-v3、Faster R-CNN等目標(biāo)檢測模型也在同一數(shù)據(jù)集上進(jìn)行訓(xùn)練，以便橫向比較采用YOLO-v5的目標(biāo)檢測效果。

(2)

(3)

(4)

(5)

式中：p為查總率；C為目標(biāo)檢測任務(wù)中的類別數(shù)量;k為圖片數(shù)目；N為圖片總數(shù)。

YOLO-v2、YOLO-v3、Faster R-CNN及YOLO-v5在軌枕裂縫數(shù)據(jù)集上的模型性能評價結(jié)果如表3所示。由表3可得：在軌枕裂縫的目標(biāo)檢測任務(wù)中YOLO-v5模型表現(xiàn)出良好的裂縫檢測能力，各項評價指標(biāo)都是最優(yōu)，其中PA為98.35%，mAP為48.72%，Recall為90.32%；在單張圖片平均識別時間方面，由于YOLO-v5算法模型較為復(fù)雜，模型參數(shù)較多，使得YOLO-v5模型的單張圖片處理時間為0.01 s，考慮YOLO-v5模型的裂縫監(jiān)測結(jié)果更準(zhǔn)確，運算時間略長在可接受范圍內(nèi)。

表3 目標(biāo)檢測模型評價分析

3.4 裂縫目標(biāo)檢測結(jié)果可視化

前文從模型訓(xùn)練過程的正確率與損失函數(shù)變化規(guī)律的角度分析，得出了模型參數(shù)設(shè)置合理、預(yù)測結(jié)果準(zhǔn)確的結(jié)論，本節(jié)將對軌枕裂縫目標(biāo)檢測模型的預(yù)測結(jié)果可視化，以更加直觀的方式展現(xiàn)YOLO-v5的裂縫目標(biāo)檢測結(jié)果。為體現(xiàn)模型的泛化能力和強魯棒性，選取不同條件下軌枕裂縫的智能識別結(jié)果進(jìn)行展示。軌枕裂縫可視化結(jié)果如圖8所示。

由圖8可得：對于正常光照、暗光線、微裂紋等不同條件下的原始裂縫圖片，YOLO-v5軌枕裂縫目標(biāo)檢測模型都預(yù)測出了準(zhǔn)確的目標(biāo)檢測框，這體現(xiàn)了YOLO-v5模型良好的泛化能力和魯棒性，同時模型的準(zhǔn)確預(yù)測結(jié)果可為實際鐵路工程的軌枕裂縫檢測與智能識別提供理論參考和算法支撐。在此需要特別說明的是：軌枕裂縫的目標(biāo)檢測置信度普遍不高，置信度最大為0.92，置信度最小為0.26，這一結(jié)果相較文獻(xiàn)[22,24,30]低。事實上出現(xiàn)這樣的結(jié)果是合理的，原因在于：本文YOLO-v5模型執(zhí)行的目標(biāo)檢測任務(wù)為軌枕裂縫識別，而裂縫本身狹長，在整張圖片中所占像素點極少，圖片中模型不關(guān)注的背景反而占據(jù)絕大部分的像素點，造成裂縫圖像正負(fù)樣本極不均衡，裂縫檢測較為困難；本文所用的裂縫數(shù)據(jù)集存在光照差、裂縫不明顯、環(huán)境干擾較多等諸多問題，這些因素也會降低裂縫置信度的預(yù)測值。因此，本文的裂縫目標(biāo)檢測置信度較低。

圖8 軌枕裂縫智能識別結(jié)果

4 結(jié)論

基于YOLO-v5目標(biāo)檢測算法，建立了軌枕裂縫的目標(biāo)檢測模型，完成了軌枕裂縫的智能識別。主要結(jié)論如下：

(1) 將YOLO-v5目標(biāo)檢測模型應(yīng)用到雙塊式軌枕裂縫的智能識別中，通過數(shù)據(jù)集標(biāo)注、模型構(gòu)建、參數(shù)調(diào)整、模型訓(xùn)練和結(jié)果預(yù)測等步驟，實現(xiàn)了軌枕裂縫的高精度智能識別。

(2) 通過合理的參數(shù)選取與調(diào)試，YOLO-v5軌枕裂縫目標(biāo)檢測的訓(xùn)練集與驗證集準(zhǔn)確率接近并各自收斂，模型沒有發(fā)生過擬合或欠擬合現(xiàn)象，模型目標(biāo)檢測正確率為98.35%，mAP值為48.72%，Recall值為90.32%，單張圖片識別速度為0.01 s，模型預(yù)測結(jié)果精確度高且裂縫實時識別性能良好。

(3) 對YOLO-v5軌枕裂縫目標(biāo)檢測模型在測試集上的預(yù)測結(jié)果進(jìn)行可視化，結(jié)果表明：針對正常光照、暗光線及微裂紋等不同條件下的裂縫圖像，YOLO-v5都能實現(xiàn)高精度的智能識別，YOLO-v5軌枕裂縫目標(biāo)檢測模型可滿足實際工程中復(fù)雜工況的要求。