基于顯著性和YOLOv3的受電弓異物侵限檢測(cè)

王同麗 郭佑民 高德陽(yáng) 范永勤 黃文平

摘? 要：異物侵入受電弓對(duì)高速鐵路運(yùn)營(yíng)安全危害極大，文章提出一種基于顯著性和YOLOv3的受電弓異物侵限檢測(cè)方法。首先，用U2-Net網(wǎng)絡(luò)對(duì)采集到的圖像進(jìn)行顯著性檢測(cè)，準(zhǔn)確定位受電弓區(qū)域；其次，將YOLOv3網(wǎng)絡(luò)的預(yù)測(cè)尺度增加到4個(gè)，采用K-means++算法重新計(jì)算先驗(yàn)框，用深度可分離卷積替換標(biāo)準(zhǔn)卷積的方法改進(jìn)模型來(lái)提高準(zhǔn)確度和速度；實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的YOLOv3-R模型檢測(cè)準(zhǔn)確度比YOLOv3提高了8.68%，檢測(cè)速度提高了5.5%，能夠快速有效地檢測(cè)出受電弓上的異物。

關(guān)鍵詞：異物檢測(cè)；顯著性檢測(cè)；感興趣區(qū)域；預(yù)測(cè)尺度；先驗(yàn)框初始化；深度可分離卷積

中圖分類號(hào)：TP391.4；TP18? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）04-0101-05

Detection of Pantograph Foreign Body Intrusion Based on Saliency and YOLOv3

WANG Tongli1， GUO Youmin1， GAO Deyang2， FAN Yongqin2， HUANG Wenping2

（1.Institute of Mechanical and Electrical Technology， Lanzhou Jiaotong University， Lanzhou? 730070， China;

2.China Railway Lanzhou Group Co.， Ltd.， Lanzhou? 730070， China）

Abstract： Foreign body intrusion into pantograph has great harm to the operation safety of high-speed railway. This paper proposes a pantograph foreign body intrusion detection method based on saliency and YOLOv3. First， U2-Net network is used to detect the saliency of the collected images and accurately locate the pantograph area. Secondly， the prediction scale of YOLOv3 network is increased to 4， the prior box is recalculated by K-means++ algorithm， and the standard convolution is replaced by depth separable convolution to improve the model to improve the accuracy and speed. The experimental results show， compared with YOLOv3， the detection accuracy of the improved YOLOv3-R model is increased by 8.68%， and the detection speed is increased by 5.5%， which can quickly and effectively detect foreign bodies on the pantograph.

Keywords： foreign body detection; saliency detection; region of interest; prediction scale; the prior box initialization; depth separable convolution

0? 引? 言

近年來(lái)國(guó)內(nèi)高速鐵路實(shí)現(xiàn)了從和諧號(hào)到復(fù)興號(hào)的迅速發(fā)展，其追求速度提升的同時(shí)，安全運(yùn)行也是極其重要，在列車高速運(yùn)行的過(guò)程中，受電弓可能會(huì)出現(xiàn)異物碰撞或黏附，引發(fā)意外停車等事故，從而影響高速鐵路的正常運(yùn)行。傳統(tǒng)的受電弓檢測(cè)技術(shù)主要是人工觀察記錄的方法，工作人員登上車頂，查看受電弓是否有異物，然而這種方法成本高，可靠性差。隨后接觸式和非接觸式的智能化受電弓異常狀態(tài)檢測(cè)技術(shù)開(kāi)始興起[1]。接觸式檢測(cè)的主要方式是通過(guò)安裝在機(jī)車受電弓上的各種傳感器傳遞的信號(hào)來(lái)判斷是否出現(xiàn)了異常狀態(tài)[2]。非接觸式檢測(cè)通過(guò)激光[3]、超聲波[4]等檢測(cè)受電弓的異常，但是非接觸式檢測(cè)技術(shù)檢測(cè)功能單一，檢測(cè)精度較差。之后異物檢測(cè)系統(tǒng)逐漸開(kāi)始利用傳統(tǒng)的圖像處理技術(shù)來(lái)達(dá)到異物檢測(cè)的目的[5-7]，由于其檢測(cè)異物精度低，更多人開(kāi)始利用深度學(xué)習(xí)模型研究異物檢測(cè)[8-10]，采用深度學(xué)習(xí)技術(shù)檢測(cè)異物精度高、速度快。

目前，受電弓異物檢測(cè)算法大多數(shù)是對(duì)整張圖像進(jìn)行異物檢測(cè)，即對(duì)攝像頭拍攝到的整個(gè)區(qū)域進(jìn)行異物檢測(cè)，容易對(duì)感興趣區(qū)域外的復(fù)雜區(qū)域進(jìn)行檢測(cè)，造成誤檢，除此以外，目前的深度學(xué)習(xí)目標(biāo)檢測(cè)算法大多對(duì)大目標(biāo)或中目標(biāo)檢測(cè)準(zhǔn)確度高，而小目標(biāo)由于分辨率低、體積小，很難被檢測(cè)到。針對(duì)以上受電弓異物檢測(cè)中的不足，本文探討了一種基于顯著性和YOLOv3網(wǎng)絡(luò)的受電弓異物侵限檢測(cè)方法，實(shí)驗(yàn)表明：本文方法能夠有效檢測(cè)出感興趣區(qū)域內(nèi)發(fā)生的異物碰撞或黏附，具有較高的檢測(cè)精度和速度。

1? 基于U2-Net網(wǎng)絡(luò)的顯著性檢測(cè)

顯著性檢測(cè)可以視為是一個(gè)語(yǔ)義分割的問(wèn)題[11]，將圖像的顯著性目標(biāo)區(qū)域從圖像中拆分出來(lái)，受電弓異物侵限檢測(cè)只需要對(duì)感興趣的區(qū)域進(jìn)行檢測(cè)，否則容易造成誤檢，本文使用U2-Net網(wǎng)絡(luò)模型[12]進(jìn)行顯著性檢測(cè)，U2-Net網(wǎng)絡(luò)是一個(gè)兩層嵌套的U型網(wǎng)絡(luò)。

1.1? U2-Net網(wǎng)絡(luò)

U2-Net的網(wǎng)絡(luò)主要由六級(jí)編碼器，五級(jí)解碼器以及顯著圖融合模塊三部分構(gòu)成，每級(jí)編解碼階段均由RSU（ReSidual U-blocks）填充。每個(gè)RSU就是一個(gè)小號(hào)的U-Net，最后所有的RSU用類似于FPN的結(jié)構(gòu)連接在一起，提升了多尺度能力。

1.2? 顯著性檢測(cè)

本文實(shí)驗(yàn)所用到的受電弓圖像來(lái)自鐵路現(xiàn)場(chǎng)拍到的受電弓圖像。使用Labelme標(biāo)注工具標(biāo)注實(shí)驗(yàn)中使用的受電弓顯著數(shù)據(jù)集。由于鐵路上拍的數(shù)據(jù)較少，使用平移、翻轉(zhuǎn)、旋轉(zhuǎn)角度、隨機(jī)顏色、縮放變形圖片、二值化圖像、隨機(jī)黑色塊遮擋、添加噪聲等數(shù)據(jù)增強(qiáng)的方式對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，獲得圖像數(shù)據(jù)共500張，標(biāo)注生成受電弓圖像500張，其中70%作為訓(xùn)練集，30%作為測(cè)試集?；赨2-Net網(wǎng)絡(luò)的受電弓顯著性檢測(cè)如圖1所示，其中圖1（a）圖是受電弓原圖像，圖1（b）圖是受電弓顯著性檢測(cè)結(jié)果。

1.3? 感興趣區(qū)域劃分

在得到受電弓顯著性檢測(cè)圖后，繪制出其輪廓的外接矩形并使用紅色邊框線框出，得到外接矩形坐標(biāo)（x1， y1， x2， y2），其中（x1， y1）是圖像的左上角坐標(biāo)，（x2， y2）是圖像的右下角坐標(biāo)，然后在原圖上繪出受電弓ROI區(qū)域，受電弓感興趣區(qū)域劃分如圖2所示，從左到右依次為原圖、顯著性檢測(cè)圖、外接矩形圖、感興趣區(qū)域圖，可以看出，外接矩形法對(duì)顯著性檢測(cè)后的受電弓區(qū)域識(shí)別準(zhǔn)確，可以很好地定位受電弓異物感興趣區(qū)域，得出背景較為簡(jiǎn)單的受電弓區(qū)域。

2? 受電弓異物侵限檢測(cè)模型

對(duì)碰撞或黏附在受電弓上的異物進(jìn)行檢測(cè)時(shí)，目前的深度學(xué)習(xí)模型大多對(duì)大目標(biāo)或中目標(biāo)檢測(cè)準(zhǔn)確度高，而小目標(biāo)由于分辨率低、體積小，很難被檢測(cè)到，同時(shí)，在檢測(cè)速度上也做了相應(yīng)的改進(jìn)，針對(duì)以上問(wèn)題，本文在對(duì)受電弓感興趣區(qū)域劃分后，對(duì)YOLOv3目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行改進(jìn)：（1）在原有的三尺度預(yù)測(cè)層基礎(chǔ)上增加一個(gè)特征檢測(cè)層對(duì)小目標(biāo)進(jìn)行檢測(cè)，提高準(zhǔn)確率；（2）改進(jìn)先驗(yàn)框初始化，重新計(jì)算網(wǎng)絡(luò)需要的anchors；（3）使用深度可分離卷積替代標(biāo)準(zhǔn)卷積，改進(jìn)后的模型提高了檢測(cè)準(zhǔn)確率和檢測(cè)速率。

2.1? 改進(jìn)多尺度預(yù)測(cè)

YOLOv3網(wǎng)絡(luò)中采用了FPN結(jié)構(gòu)對(duì)目標(biāo)進(jìn)行多尺度預(yù)測(cè)[13]，YOLOv3對(duì)輸入圖像進(jìn)行特征提取，隨著網(wǎng)絡(luò)的深入，會(huì)產(chǎn)生3中不同尺寸的特征圖，分別檢測(cè)圖像中的大目標(biāo)，中目標(biāo)和小目標(biāo)，但是在受電弓異物侵限檢測(cè)中會(huì)存在一些體積更小的小目標(biāo)。如果只用3尺度預(yù)測(cè)來(lái)檢測(cè)目標(biāo)，會(huì)因?yàn)闆](méi)有充分利用圖像的淺層語(yǔ)義信息從而丟失小目標(biāo)信息。本文在原來(lái)預(yù)測(cè)尺度的基礎(chǔ)上增加104×104尺度的特征檢測(cè)層，變成4尺度預(yù)測(cè)，提高對(duì)小目標(biāo)的檢測(cè)能力，改進(jìn)多尺度結(jié)構(gòu)如圖3所示，其中虛線表示增加的檢測(cè)尺度。

從圖3中可以看出，整個(gè)網(wǎng)絡(luò)是由1×1和3×3的卷積組成，concat為張量拼接，用來(lái)擴(kuò)充張量的維度，其中y1、y2、y3是YOLOv3原有的檢測(cè)尺度，y4是新增的檢測(cè)層，當(dāng)輸入圖像為416×416時(shí)，其輸出特征圖尺寸是104×104，是c處的特征圖與Scale4處得到的特征圖進(jìn)行concat拼接后得到的，用于檢測(cè)圖像中的更小目標(biāo)，由此，YOLOv3完成了4尺度預(yù)測(cè)，提高了小目標(biāo)的檢測(cè)準(zhǔn)確率。通過(guò)改進(jìn)后的四尺度結(jié)構(gòu)圖可以知道，改進(jìn)后的四個(gè)特征尺度都包含了淺層語(yǔ)義信息和深層語(yǔ)義信息。因此4尺度預(yù)測(cè)結(jié)構(gòu)比3尺度預(yù)測(cè)結(jié)構(gòu)更好地利用了圖像淺層信息，從而達(dá)到了檢測(cè)更小目標(biāo)的目的，同時(shí)4尺度預(yù)測(cè)還保留了原3尺度預(yù)測(cè)結(jié)構(gòu)，滿足檢測(cè)大目標(biāo)、中目標(biāo)的能力。

2.2? 改進(jìn)先驗(yàn)框初始化

在YOLOv3中，默認(rèn)的anchors是使用K-means[14]聚類算法在COCO數(shù)據(jù)集上聚類得到的，YOLOv3有三個(gè)尺寸不同的特征圖，每一個(gè)特征圖都具有3個(gè)大小不同的anchors，因而共有9個(gè)anchors，而改進(jìn)后的多尺度預(yù)測(cè)有四個(gè)檢測(cè)尺度，需要12個(gè)anchors，而且本文數(shù)據(jù)集與COCO數(shù)據(jù)集不同，因而需要重新對(duì)數(shù)據(jù)集聚類計(jì)算得到新的anchors。

K-means算法是利用不同點(diǎn)之間的距離來(lái)判斷他們的相近關(guān)系的，相近的會(huì)放到一個(gè)簇中。而K-means++[14]相比于K-means優(yōu)化了聚類中心。當(dāng)選擇第一個(gè)聚類中心時(shí)，采用相似特征的樣本聚為一類的方法，但是在選擇第二個(gè)聚類中心時(shí)，聚類中心為距離當(dāng)前聚類中心盡量遠(yuǎn)的點(diǎn)，然后不斷循環(huán)重復(fù)該過(guò)程，直到所有聚類中心被重復(fù)完后停止。相比較與K-means算法來(lái)說(shuō)，K-means++算法隨機(jī)性更小，可以有效地降低聚類偏差。

2.3? 深度可分離卷積

使用4尺度預(yù)測(cè)加大了模型的參數(shù)量，為了能夠更快的檢測(cè)出物體，采用壓縮模型的方式提高實(shí)時(shí)性。深度可分離卷積在幾乎不影響精度的情況下，可以大幅度的降低模型的參數(shù)量，其基本原理是將一個(gè)完整的運(yùn)算分為兩步進(jìn)行，分別為逐深度卷積和逐點(diǎn)卷積。本文使用深度可分離卷積代替標(biāo)準(zhǔn)卷積，如圖4所示是標(biāo)準(zhǔn)卷積和深度可分離卷積實(shí)現(xiàn)過(guò)程對(duì)比。

從圖4中可以看出，對(duì)于三色通道的輸入圖，3×3大小的卷積核，深度可分離卷積分為兩步進(jìn)行，第一步為深度卷積計(jì)算，將輸入特征圖的每個(gè)通道與單個(gè)卷積核做卷積，得到每個(gè)通道的空間特征；第二步為逐點(diǎn)卷積計(jì)算，將上一步輸出的特征圖與1×1的卷積核做卷積，得到通道方向的加權(quán)組合。

若輸入特征圖尺寸為d1×d1×1×m，卷積核的尺寸為d2×d2×m，輸出特征圖尺寸為d1×d1×n，標(biāo)準(zhǔn)卷積層的參數(shù)量為d2×d2×m×n。深度可分離卷積分為逐深度卷積和逐點(diǎn)卷積，設(shè)深度卷積的卷積核為d2×d2×1×m，逐點(diǎn)卷積的卷積核為1×1×m×n，則深度卷積的參數(shù)量為d2×d2×1×m，逐點(diǎn)卷積的參數(shù)量為1×1×m×n，則深度可分離卷積的參數(shù)量和標(biāo)準(zhǔn)卷積的參數(shù)量比為：

（1）

一般情況下，n遠(yuǎn)遠(yuǎn)大于d2，從式（1）可以看出，與標(biāo)準(zhǔn)卷積相比，深度可分離卷積將參數(shù)量壓縮了? 倍，有效地減少了冗余的參數(shù)量，提升了網(wǎng)絡(luò)的特征提取能力，因此本文使用深度可分離卷積，提高實(shí)時(shí)檢測(cè)的能力。

3? 實(shí)驗(yàn)結(jié)果與分析

因沒(méi)有公開(kāi)的受電弓異物數(shù)據(jù)集，本文通過(guò)搜集輸電線路異物侵限圖像，以及在鐵路現(xiàn)場(chǎng)實(shí)地拍攝數(shù)據(jù)來(lái)獲取足夠數(shù)量的異物數(shù)據(jù)，共得到3 580張異物圖像，利用labelImg標(biāo)注工具對(duì)圖像進(jìn)行標(biāo)注，其中70%作為訓(xùn)練集，30%作為測(cè)試集，實(shí)驗(yàn)硬件配置為INTEL（R）Corei7-10750H，GTX1660Ti。

在模型訓(xùn)練時(shí)，將數(shù)據(jù)集的70%作為訓(xùn)練集，30%作為測(cè)試集，輸入圖片的尺寸大小設(shè)置為416×416，通道為3，懲罰因子設(shè)為0.000 1，batch-size設(shè)為64，權(quán)重衰減設(shè)為0.005，學(xué)習(xí)率設(shè)為steps，初始學(xué)習(xí)率設(shè)為0.001，訓(xùn)練到20 000次時(shí)，學(xué)習(xí)率設(shè)為0.000 1，訓(xùn)練到30 000次時(shí)，學(xué)習(xí)率設(shè)為0.000 01，訓(xùn)練到40 000次時(shí)，學(xué)習(xí)率設(shè)為 0.000 001，總的訓(xùn)練次數(shù)為50 000。

首先用K-means算法在本文自建的數(shù)據(jù)集上進(jìn)行聚類計(jì)算得到anchors，替換YOLOv3中原來(lái)的anchor，重新訓(xùn)練，得到Y(jié)OLOv3模型，其次使用K-means++算法在本文自建的數(shù)據(jù)集上聚類計(jì)算得到9個(gè)anchors，替換YOLOv3中原來(lái)的anchors，訓(xùn)練得到Y(jié)OLOv3-T模型，最后使用K-means++算法在本文自建的數(shù)據(jù)集上聚類計(jì)算得到12個(gè)anchors，替換YOLOv3中原來(lái)的anchors，并將YOLOv3的3尺度預(yù)測(cè)變換成4尺度預(yù)測(cè)，將深度可分離卷積替換標(biāo)準(zhǔn)卷積，訓(xùn)練得到Y(jié)OLOv3-R模型。

YOLOv3-T、YOLOv3-R與YOLOv3模型性能比較如表1所示。

從表1中可以看出，YOLOv3-T比YOLOv3模型準(zhǔn)確率提高了1.51%，速度下降了0.04%，說(shuō)明在沒(méi)有影響檢測(cè)速度的前提下，YOLOv3-T的準(zhǔn)確度比YOLOv3高，YOLOv3-R模型準(zhǔn)確率較YOLOv3-T模型準(zhǔn)確度提高了7.17%，速度提高了5.9%，說(shuō)明4尺度預(yù)測(cè)有效提高了模型的準(zhǔn)確率，將深度可分離卷積替換成標(biāo)準(zhǔn)卷積有效提高了模型的檢測(cè)速度，YOLOv3-R模型準(zhǔn)確率較原YOLOv3模型提高了8.68%，速度提高了5.5%，總的來(lái)說(shuō)模型的準(zhǔn)確度和檢測(cè)速度都有明顯的提高，較好的達(dá)到了異物檢測(cè)時(shí)的要求。

如圖5所示為YOLOv3、YOLOv3-T和YOLOv3-R訓(xùn)練過(guò)程的Loss曲線，從圖中可以看出，YOLOv3-T的Loss值一直低于YOLOv3的Loss值，最后趨于穩(wěn)定，說(shuō)明YOLOv3-T的檢測(cè)效果比YOLOv3的檢測(cè)效果好，YOLOv3-R的Loss值一直低于YOLOv3-T和YOLOv3的值，并且更快的趨于穩(wěn)定，這說(shuō)明YOLOv3-R的預(yù)測(cè)情況與真實(shí)情況更接近。

網(wǎng)絡(luò)模型效果對(duì)比如圖6所示，其中圖6（a）圖為YOLOv3異物檢測(cè)效果，圖6（b）圖為YOLOv3-R異物檢測(cè)效果。從圖中可以看出YOLOv3檢測(cè)時(shí)異物的檢測(cè)框位置與真實(shí)位置有較大偏差，同時(shí)對(duì)小目標(biāo)識(shí)別不出來(lái)，而YOLOv3-R對(duì)這兩種情況有所改善。

圖7為展示了對(duì)受電弓異物侵限場(chǎng)景的識(shí)別效果，從左到右依次為原圖、感興趣區(qū)域、YOLOv3檢測(cè)結(jié)果、YOLOv3-R檢測(cè)結(jié)果，可以看出，改進(jìn)后的模型在Bbox位置準(zhǔn)確度更高，并且對(duì)小物體也具有較好的識(shí)別效果。

4? 結(jié)? 論

本文探討了一種基于顯著性和YOLOv3網(wǎng)絡(luò)的受電弓異物侵限檢測(cè)方法。采用U2-Net網(wǎng)絡(luò)對(duì)受電弓圖像進(jìn)行顯著性檢測(cè)，準(zhǔn)確定位受電弓區(qū)域，進(jìn)而劃分感興趣區(qū)域和非感興趣區(qū)域，其次，在受電弓異物檢測(cè)感興趣區(qū)域劃分的基礎(chǔ)上，通過(guò)改進(jìn)YOLOv3網(wǎng)絡(luò)建立受電弓異物檢測(cè)模型，將YOLOv3網(wǎng)絡(luò)的3尺度預(yù)測(cè)改進(jìn)為4尺度預(yù)測(cè)，并重新計(jì)算模型先驗(yàn)框，同時(shí)使用深度可分離卷積替代標(biāo)準(zhǔn)卷積提高檢測(cè)速度，改進(jìn)后的模型較改進(jìn)前的模型Map提高了8.68%，速度提高了5.5%，最后，對(duì)受電弓異物數(shù)據(jù)集訓(xùn)練并進(jìn)行試驗(yàn)測(cè)試表明，本文方法可以快速準(zhǔn)度的檢測(cè)出受電弓異物。

參考文獻(xiàn)：

[1] 韓志偉，劉志剛，張桂南，等.非接觸式弓網(wǎng)圖像檢測(cè)技術(shù)研究綜述 [J].鐵道學(xué)報(bào)，2013，35（6）：40-47.

[2] 趙曉娜，吳興軍，徐根厚.德國(guó)高速鐵路接觸網(wǎng)檢測(cè)系統(tǒng) [J].中國(guó)鐵路，2008（9）：60-62.

[3] KUEN L K，HO S L，LEE T K Y，et al. A Novel Intelligent Train Condition Monitoring System Coupling Laser Beam into Image Processing Algorithm [J].Transaction of the HongKong Institution of Engineers，2006，13（1）：27-34.

[4] 董宏輝，葛大偉，秦勇，等.基于智能視頻分析的鐵路入侵檢測(cè)技術(shù)研究 [J].中國(guó)鐵道科學(xué)，2010，31（2）：121-125.

[5] 李家才，陳治亞，王夢(mèng)格.鐵路入侵運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)技術(shù) [J].鐵道科學(xué)與工程學(xué)報(bào)，2013，10（6）：116-120.

[6] 段旺旺，唐鵬，金煒東，等.基于關(guān)鍵區(qū)域HOG特征的鐵路接觸網(wǎng)鳥(niǎo)巢檢測(cè) [J].中國(guó)鐵路，2015（8）：73-77.

[7] 王科理，高福來(lái)，楊鵬，等.基于深度學(xué)習(xí)的接觸網(wǎng)鳥(niǎo)巢異物識(shí)別研究 [J].鐵道機(jī)車車輛，2022，42（2）：116-121.

[8] 王佳祺.基于卷積神經(jīng)網(wǎng)絡(luò)與稀疏編碼的接觸網(wǎng)關(guān)鍵部件及異物檢測(cè)的研究 [D].成都：西南交通大學(xué)，2018.

[9] 郭曉靜，隋昊達(dá).改進(jìn)YOLOv3在機(jī)場(chǎng)跑道異物目標(biāo)檢測(cè)中的應(yīng)用 [J].計(jì)算機(jī)工程與應(yīng)用，2021，57（8）：249-255.

[10] 羅會(huì)蘭，袁璞，童康.基于深度學(xué)習(xí)的顯著性目標(biāo)檢測(cè)方法綜述 [J].電子學(xué)報(bào)，2021，49（7）：1417-1427.

[11] QIN X B，ZHANG Z C，HUANG C Y，et al. U2-Net： Going Deeper with Nested U-structure for Salient Object Detection [J/OL].arXiv：2005.09007 [cs.CV].[2022-09-12].https：//arxiv.org/abs/2005.09007.

[12] LIN T Y，DOLLAR P，GIRSHICK R，et al. Feature Pyramid Networks for Object Detection [C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Honolulu：IEEE，2017：936-944.

[13] HARTIGAN J A，WONG M A. Algorithm AS 136：A K-Means Clustering Algorithm [J].Journal of the Royal Statistical Society Series C Applied Statistics，1979，28（1）：100-108.

[14] ARTHUR D，VASSILVITSKII S. K-Means++：The Advantages of Careful Seeding [C]//Proceedings of The Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms.New Orleans：Society for Industrial and Applied Mathematics，2007：1027–1035.

作者簡(jiǎn)介：王同麗（1997—），女，漢族，甘肅白銀人，碩士研究生在讀，研究方向：機(jī)器視覺(jué)、目標(biāo)檢測(cè)；郭佑民（1968—），男，漢族，甘肅隴西人，教授，研究方向：傳感器與檢測(cè)技術(shù)、智能檢測(cè)；高德陽(yáng)（1975—），男，漢族，甘肅蘭州人，本科，研究方向：機(jī)車車輛；范永勤（1969—），男，漢族，甘肅蘭州人，研究方向：機(jī)車車輛；黃文平（1980—），男，漢族，甘肅蘭州人，研究方向：機(jī)車車輛。

收稿日期：2022-10-15

基金項(xiàng)目：中國(guó)鐵路蘭州局集團(tuán)有限公司科技發(fā)展項(xiàng)目（LZJKY2022003-1）