李海培

(中鐵第一勘察設(shè)計(jì)院集團(tuán)有限公司,西安 710043)

引言

2020年3月城軌交通協(xié)會(huì)發(fā)布《中國城市軌道交通智慧城軌發(fā)展綱要》，其中設(shè)立2025年智能基礎(chǔ)設(shè)施監(jiān)測(cè)/檢測(cè)覆蓋率目標(biāo)為60%以上，2035年達(dá)到85%以上。基于該背景，發(fā)展智能軌道狀態(tài)壽命及維護(hù)評(píng)估系統(tǒng)勢(shì)在必行。鋼軌表面是軌道最薄弱的環(huán)節(jié)，容易產(chǎn)生裂紋、魚鱗破損、擦傷、剝離等缺陷，嚴(yán)重影響行車安全[1]。此外，城軌列車運(yùn)行高速化和高密度的發(fā)展趨勢(shì)，對(duì)鋼軌質(zhì)量和鋼軌表面缺陷檢測(cè)技術(shù)的要求也在逐步提高。為此，許多專家學(xué)者針對(duì)鋼軌表面缺陷檢測(cè)問題進(jìn)行了大量的研究。

文獻(xiàn)[2]結(jié)合均值和標(biāo)準(zhǔn)差分布曲線定位軌面區(qū)域，選取自適應(yīng)均值窗口，基于模糊模型對(duì)圖像進(jìn)行差分完成缺陷的分割，但該方法容易受到復(fù)雜環(huán)境和惡劣天氣的影響。文獻(xiàn)[3]提出了一種非接觸式診斷方法，通過激勵(lì)聲波和雷達(dá)獲取自由軌震蕩頻率特征識(shí)別鋼軌缺陷信息。文獻(xiàn)[4]通過分析圖像的灰度和梯度特征設(shè)計(jì)出平滑濾波器，根據(jù)背景圖像和原圖像的差分閾值分割結(jié)果，由連通區(qū)域標(biāo)記法實(shí)現(xiàn)軌面缺陷檢測(cè)。文獻(xiàn)[5]采用高斯-中值濾波對(duì)圖像進(jìn)行預(yù)處理，結(jié)合圖像處理技術(shù)及卷積神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)處理后圖像進(jìn)行了缺陷檢測(cè)，但整體檢測(cè)算法速度慢，耗時(shí)長，實(shí)用價(jià)值較低。文獻(xiàn)[6]完成了Faster R-CNN網(wǎng)絡(luò)對(duì)輸電線路缺陷識(shí)別檢測(cè)，基于傳統(tǒng)的Faster R-CNN網(wǎng)絡(luò)對(duì)缺陷識(shí)別的檢測(cè)時(shí)間有待提高。

首先對(duì)采集到的圖像進(jìn)行預(yù)處理，基于灰度垂直投影法提取鋼軌表面區(qū)域，根據(jù)缺陷圖像特點(diǎn)對(duì)Faster R-CNN網(wǎng)絡(luò)進(jìn)行改進(jìn)，鋼軌表面缺陷檢測(cè)由特征提取、候選區(qū)域生成和分類識(shí)別3個(gè)子模塊共同完成，提出鋼軌表面缺陷檢測(cè)算法整體框架，如圖1所示。

圖1 鋼軌表面缺陷檢測(cè)算法整體框架

1 基于灰度投影軌面區(qū)域提取算法

1.1 鋼軌表面圖像預(yù)處理

為了更好地提取圖像特征，并減少一部分后續(xù)處理計(jì)算量，需要對(duì)圖像進(jìn)行預(yù)處理，包括圖像的灰度化，圖像高斯濾波，直方圖均衡化3個(gè)步驟對(duì)鋼軌檢測(cè)原圖進(jìn)行處理[7-9]。圖像灰度化采用加權(quán)平均值法進(jìn)行計(jì)算。高斯濾波離散化窗口卷積方式，高斯核函數(shù)[10]公式為

(1)

式中，σ為高斯分布標(biāo)準(zhǔn)差。

濾波后的圖像抑制了噪聲的同時(shí)，也造成了部分圖像細(xì)節(jié)的丟失，比如軌面缺陷處的邊緣細(xì)節(jié)特征會(huì)發(fā)生改變等，因此，需要對(duì)前一步處理后的圖像進(jìn)行增強(qiáng)。采用直方圖均衡化[11]使得處理后的圖像成為均勻分布的直方，理想情況下各個(gè)灰度值對(duì)應(yīng)的像素點(diǎn)個(gè)數(shù)相同。采用自適應(yīng)直方圖均衡化，變化方法為

(2)

式中，xi，j為變換前后的像素值，ni，j為像素平均灰度值，H為對(duì)xi，j的變換函數(shù)，k為權(quán)重系數(shù)。

1.2 基于灰度投影的鋼軌表面定位方法

通過觀察采集的大量現(xiàn)場(chǎng)鋼軌缺陷檢測(cè)圖像發(fā)現(xiàn)，由于材質(zhì)原因軌面區(qū)域和非軌面的線路區(qū)域灰度值差異化大，除此，軌檢系統(tǒng)攝像機(jī)連續(xù)移動(dòng)采集圖像中軌面區(qū)域和非軌面區(qū)域位置相對(duì)固定?；谝陨蟽牲c(diǎn)，采用基于灰度投影的區(qū)域定位法[12]。具體算法流程如圖2所示。

圖2 基于灰度投影的鋼軌表面定位法流程

圖2中，F(xiàn)max為第i列曲線值f(pi)的最大值，圖像像素大小為a×b，令圖像每列灰度值為I(i，x)，其投影函數(shù)為

(3)

計(jì)算連續(xù)m列投影曲線函數(shù)值之和為

(4)

由式(4)可得，當(dāng)f(p)=Fmax時(shí)，該列即為待定位的軌面圖像列，投影函數(shù)值之和的集合為F={f(1)，f(2)，…，f(i+m-1)}。通過對(duì)坐標(biāo)的裁剪，即可得到軌面區(qū)域。

1.3 軌面區(qū)域提取結(jié)果及分析

在Matlab 2016(a)軟件仿真平臺(tái)中，對(duì)上述算法進(jìn)行仿真，直方圖均衡化系數(shù)k=0.5。預(yù)處理部分結(jié)果如圖3所示，預(yù)處理前后的直方圖如圖4所示。

圖4 預(yù)處理前后直方圖對(duì)比

圖3預(yù)處理后圖像信息量明顯減少，且均衡化后圖像能增強(qiáng)濾波造成邊緣細(xì)節(jié)模糊的問題。定位前后的鋼軌表面圖像如圖5所示。投影曲線函數(shù)值與圖像列數(shù)的函數(shù)曲線如圖6所示。

圖5 軌面圖像定位前后結(jié)果

圖6 投影曲線結(jié)果

由圖5、圖6可以看出，矩形框標(biāo)記部分的投影曲線函數(shù)值明顯高于其他部分，鋼軌表面也被完整定位出來，可見本方法具備可行性。

2 Faster R-CNN軌面缺陷檢測(cè)框架

2.1 Faster R-CNN簡介

深度學(xué)習(xí)通過深層次神經(jīng)網(wǎng)絡(luò)自動(dòng)提取特征，相比傳統(tǒng)機(jī)器克服了其需要人工設(shè)計(jì)特征以及復(fù)雜環(huán)境下算法結(jié)果不佳的問題[13-15]。采用Faster R-CNN算法，可以滿足缺陷識(shí)別對(duì)實(shí)時(shí)性的較高要求。

Faster R-CNN目標(biāo)檢測(cè)模型是在R-CNN、Fast R-CNN的基礎(chǔ)上改進(jìn)，通過生成的一種優(yōu)化目標(biāo)檢測(cè)模型，用區(qū)域建議生成網(wǎng)絡(luò)RPN代替了原有傳統(tǒng)的Selective Search、edge box等方法，傳統(tǒng)的Selective Search等方法生成區(qū)域建議需2 s，而RPN網(wǎng)絡(luò)僅需10 ms，在實(shí)時(shí)性方面有了大幅度的提升[16-17]。Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

圖7 Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)

具體實(shí)施時(shí)，F(xiàn)aster R-CNN算法首先利用卷積網(wǎng)絡(luò)表示高層語義信息的特征圖，然后根據(jù)RPN網(wǎng)絡(luò)產(chǎn)生多種不同長寬比的候選區(qū)域，選擇ROI區(qū)域后形成分類回歸網(wǎng)絡(luò)，并根據(jù)特征進(jìn)行識(shí)別輸出。后面會(huì)對(duì)各個(gè)子網(wǎng)絡(luò)進(jìn)行介紹。

2.2 特征提取網(wǎng)絡(luò)

特征提取網(wǎng)絡(luò)作為Faster R-CNN的基礎(chǔ)網(wǎng)絡(luò)，用于提取輸入圖片的語義信息，特征提取的效果會(huì)影響到后續(xù)一系列操作的結(jié)果，對(duì)于鋼軌表面缺陷識(shí)別檢測(cè)，選擇一個(gè)合適的基層特征提取網(wǎng)絡(luò)表現(xiàn)得尤為重要。Faster R-CNN網(wǎng)絡(luò)最常見的特征提取網(wǎng)絡(luò)有ZF、VGG16、ResNet三種類型，除全連接層外，各具有5層、13層和15層及以上的特征提取層數(shù)。對(duì)于小目標(biāo)檢測(cè)來說，較淺網(wǎng)絡(luò)提取的特征圖可以包含更多細(xì)節(jié)特征，更適合于軌面缺陷檢測(cè)這種小目標(biāo)定位，故選擇ZF網(wǎng)絡(luò)作為基層特征提取子網(wǎng)絡(luò)。ZF特征提取網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。

圖8 ZF特征提取網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)共包含5層卷積層，其中第1、2層均包含了conv、pool、norm及Relu操作，第3～5層均包含conv和Relu操作。

2.3 候選區(qū)域生成網(wǎng)絡(luò)

RPN網(wǎng)絡(luò)是Faster R-CNN網(wǎng)絡(luò)中用于提取目標(biāo)區(qū)域建議框的結(jié)構(gòu)，其結(jié)構(gòu)示意如圖9所示。通過利用3×3滑窗提取卷積特征得到多個(gè)候選區(qū)域，并將此特征圖分別送入分類和回歸層，每個(gè)窗口對(duì)應(yīng)x個(gè)目標(biāo)候選區(qū)域，參考建議框anchors的長度和比例各不相同，用anchor鋪設(shè)原圖尋找目標(biāo)的方法計(jì)算量小。輸入256維向量，輸出網(wǎng)絡(luò)層包括分類層和回歸層，前景置信度表示軌面缺陷的概率，位移偏移量為anchors的平移縮放量。

圖9 候選區(qū)生成網(wǎng)絡(luò)結(jié)構(gòu)

對(duì)分類層中對(duì)每一個(gè)anchor進(jìn)行前景置信度的計(jì)算，結(jié)合非極大抑制思想，以IOU(Intersection over union，簡稱交并比)作為指標(biāo)，即模型預(yù)測(cè)候選框和任意一個(gè)標(biāo)記候選框的交疊率，其計(jì)算公式為

(5)

式中，SanchorBox表示預(yù)測(cè)的候選框；SgroundTruth表示標(biāo)記候選框。若IOU指標(biāo)>0.7，則標(biāo)記可能包含前景物體候選框的正樣本，IOU指標(biāo)<0.3，則標(biāo)記為非目標(biāo)物體的負(fù)樣本。

回歸層輸出的anchors平移縮放量，用(Δx，Δy，Δw，Δh)分別表示預(yù)測(cè)邊框的中心坐標(biāo)(x，y)、矩形框?qū)挾葁及高度h的偏移量值，根據(jù)偏移量值進(jìn)行區(qū)域邊框位置回歸，其計(jì)算公式為

(6)

式中，x、xa、x*分別表示預(yù)測(cè)邊框、錨點(diǎn)、真實(shí)區(qū)域邊框的x坐標(biāo)，y、w、h同理。

2.4 分類回歸網(wǎng)絡(luò)

分類回歸網(wǎng)絡(luò)輸入ZF網(wǎng)絡(luò)輸出的特征圖和RPN網(wǎng)絡(luò)輸出的候選區(qū)域，輸出置信度和修正參數(shù)用以修正候選區(qū)域，其網(wǎng)絡(luò)結(jié)構(gòu)如圖10所示。

圖10 分類回歸網(wǎng)絡(luò)結(jié)構(gòu)

分類回歸網(wǎng)絡(luò)包含一個(gè)pool13池化層，fc6、fc7、fc/cls和fc/bbox四個(gè)全連接層以及一個(gè)softmax層。pool13池化層先將輸入的候選區(qū)域池化成長度、比例相同的特征圖，然后通過fc6、fc7進(jìn)行特征映射，接著fc/cls、fc/bbox輸出各候選區(qū)域?qū)?yīng)的系數(shù)和修正參數(shù)，最后由softmax計(jì)算系數(shù)得到置信度。

3 基于Faster R-CNN網(wǎng)絡(luò)的分析及改進(jìn)

Faster R-CNN在通用目標(biāo)檢測(cè)領(lǐng)域表現(xiàn)優(yōu)異，但是由于缺陷部分占圖像整體部分比例較小，對(duì)小比例目標(biāo)的檢測(cè)效果不太理想，會(huì)出現(xiàn)誤檢和漏檢情況，結(jié)合鋼軌表面缺陷檢測(cè)需求，對(duì)Faster R-CNN網(wǎng)絡(luò)一些關(guān)鍵部分加以改進(jìn)，提高Faster R-CNN網(wǎng)絡(luò)對(duì)鋼軌表面缺陷檢測(cè)的準(zhǔn)確率。主要包括對(duì)ZF網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)(卷積核的選擇和基于級(jí)聯(lián)的特征融合策略)，以及對(duì)網(wǎng)絡(luò)訓(xùn)練策略的設(shè)計(jì)，基于改進(jìn)后的鋼軌表面缺陷檢測(cè)算法網(wǎng)絡(luò)結(jié)構(gòu)如圖11所示。

圖11 改進(jìn)后的鋼軌表面缺陷檢測(cè)算法網(wǎng)絡(luò)結(jié)構(gòu)

RPN網(wǎng)絡(luò)根據(jù)提取到的卷積特征圖生成缺陷的建議區(qū)域，也稱為ROI(Region of Interest，感興趣區(qū)域)，如圖11中紅色框標(biāo)注部分，然后將ROI區(qū)域映射回特征提取網(wǎng)絡(luò)提取的特征圖中，得到不同尺寸特征圖，ROI池化對(duì)不同尺度特征圖采樣，生成相同尺寸的特征張量，分類及回歸子網(wǎng)根據(jù)張量特征進(jìn)行分類回歸。

傳統(tǒng)ZF網(wǎng)絡(luò)采用的卷積核尺寸選擇7×7、5×5等具有較大感受野尺寸的卷積核，可以提取深層次的語義信息，其特征圖相對(duì)分辨率較小，這對(duì)于大尺度目標(biāo)的檢測(cè)是有效的，但這些深層次分辨率對(duì)較小的特征圖結(jié)果表現(xiàn)不理想，如對(duì)象鋼軌表面缺陷檢測(cè)?；诖?，針對(duì)傳統(tǒng)的ZF特征提取網(wǎng)絡(luò)進(jìn)行了以下2方面的改進(jìn)。

(1)卷積核的選擇

將ZF中卷積核尺寸由原來7×7的卷積核替換為三層3×3卷積核，原來conv1改進(jìn)為conv1_1、conv1_2及conv1_3，兩層3×3卷積核代替原來5×5的卷積核，這樣可以減少參數(shù)量和網(wǎng)絡(luò)規(guī)模大小，使網(wǎng)絡(luò)有更強(qiáng)的非線性映射能力，優(yōu)化網(wǎng)絡(luò)性能。

(2)基于級(jí)聯(lián)的特征融合

如圖8所示，傳統(tǒng)的ZF網(wǎng)絡(luò)為單層卷積層和池化層的交替使用結(jié)構(gòu)，但Faster R-CNN網(wǎng)絡(luò)中僅將特征提取網(wǎng)絡(luò)的最后一層卷積特征圖作為后續(xù)操作輸入，最后一層卷積特征圖中每個(gè)點(diǎn)都融合了大量的周圍信息，所包含細(xì)節(jié)信息對(duì)于檢測(cè)鋼軌表面缺陷是不夠的。選擇一種基于級(jí)聯(lián)的特征融合策略對(duì)單層交替使用的卷積層結(jié)構(gòu)進(jìn)行改進(jìn)，融合淺層特征和深層特征，提高網(wǎng)絡(luò)對(duì)小車號(hào)區(qū)域的定位性能。改進(jìn)后ZF網(wǎng)絡(luò)卷積層結(jié)構(gòu)如圖12所示。

圖12 改進(jìn)后ZF網(wǎng)絡(luò)卷積層結(jié)構(gòu)

圖12中，每一層卷積層卷積后，圖像的尺寸在減小，但是前期卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的是低維特征，往后學(xué)習(xí)的是高維特征。因此輸出的是小尺寸高維度的特征圖。融合cov1_3和cov2_2淺層特征圖C1，特征融合一般有元素求和或計(jì)算點(diǎn)積2種方式，卷積神經(jīng)網(wǎng)絡(luò)得到特征圖相當(dāng)于x深度的二維矩陣。矩陣元素求和或計(jì)算點(diǎn)積要求矩陣維度相同，cov1_3層特征圖和cov2_2層特征圖通道數(shù)不同，需將96通道的cov1_3特征圖升維成256通道，和cov2_2層進(jìn)行特征融合。淺層特征C1與cov4層特征圖輸出的深層次特征需進(jìn)行融合，其通道數(shù)是384，為解決通道數(shù)不一致的問題，在與C1特征融合之前，加入一層256通道的反卷積層，將384通道的深層特征降維成256通道的淺層特征，并與C1進(jìn)行特征融合得到C2，最后與第8卷積層特征融合輸出最終結(jié)果。

4 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證改進(jìn)算法在鋼軌表面缺陷檢測(cè)中的有效性，在顯卡為NVIDIA Geforce 920M，顯存為12GB的PC機(jī)上安裝Ubuntu16.04LTS 64位操作系統(tǒng)，使用的網(wǎng)絡(luò)訓(xùn)練框架為Caffe。

參考路面、橋梁裂紋檢測(cè)等通用評(píng)價(jià)標(biāo)準(zhǔn)，比較算法改進(jìn)的有效性，引入召回率Rec、準(zhǔn)確率Acc作為評(píng)價(jià)標(biāo)準(zhǔn)[18-20]。一般來說，準(zhǔn)確率越高召回率就越低，為了均衡準(zhǔn)確率和召回率對(duì)模型評(píng)價(jià)造成的影響，設(shè)定K為分類精度系數(shù)，用以全面客觀地評(píng)價(jià)分類結(jié)果，其計(jì)算公式為

(7)

4.1 數(shù)據(jù)集測(cè)試實(shí)驗(yàn)

實(shí)驗(yàn)數(shù)據(jù)集由西安市軌道交通集團(tuán)有限公司運(yùn)營分公司提供，GJ-2型軌檢車采集的60 kg/m及50 kg/m型鋼軌表面圖像數(shù)據(jù)，總共1 592張圖片，包含裂紋、魚鱗破損、擦傷、剝離以及非缺陷五類圖像。為了擴(kuò)充樣本集，采用裁剪、旋轉(zhuǎn)、添加噪聲、調(diào)節(jié)圖像明暗度等變換后，總共得到25 472張圖片，其中訓(xùn)練集22 000張圖片，測(cè)試集3 472張鋼軌表面缺陷圖片。部分樣本庫圖像如圖13所示。

圖13 部分樣本庫圖像

實(shí)際鋼軌表面缺陷圖像復(fù)雜多變，為得到識(shí)別準(zhǔn)確性高的分類器，需要讓分類識(shí)別網(wǎng)絡(luò)學(xué)習(xí)到更全面的缺陷特征，建立了5 000張實(shí)際環(huán)境豐富、干擾因素多的非軌面缺陷圖像擴(kuò)充樣本集，部分圖像如圖14所示。

圖14 部分干擾圖像

數(shù)據(jù)集測(cè)試實(shí)驗(yàn)分2組進(jìn)行，實(shí)驗(yàn)1將原樣本集分別輸入改進(jìn)前后的Faster R-CNN模型進(jìn)行訓(xùn)練；實(shí)驗(yàn)2將擴(kuò)充樣本集分別輸入改進(jìn)前后的Faster R-CNN模型進(jìn)行訓(xùn)練。得出分類精度與迭代次數(shù)的關(guān)系曲線對(duì)比，如圖15所示。

圖15 分類準(zhǔn)確率實(shí)驗(yàn)結(jié)果對(duì)比

由圖15可以看出，改進(jìn)后的Faster R-CNN模型對(duì)樣本集數(shù)據(jù)和干擾集數(shù)據(jù)的識(shí)別準(zhǔn)確率皆高于傳統(tǒng)模型，實(shí)驗(yàn)1中高出1.9%，實(shí)驗(yàn)2中高出2.8%，將上述4次實(shí)驗(yàn)的準(zhǔn)確率、召回率和分類精度系數(shù)指標(biāo)的平均值進(jìn)行比較，結(jié)果見表1。

從表1可以看出，改進(jìn)后模型準(zhǔn)確率高于傳統(tǒng)模型，2次實(shí)驗(yàn)準(zhǔn)確率分別提高了6.47%和4.19%，分類精度系數(shù)K實(shí)驗(yàn)1中提高了0.94%，實(shí)驗(yàn)2中提高了1.07%。由此看出，提出改進(jìn)Faster R-CNN模型對(duì)鋼軌表面缺陷檢測(cè)是有效的。

表1 不同方法缺陷檢測(cè)精度對(duì)比結(jié)果 %

4.2 學(xué)習(xí)率選擇實(shí)驗(yàn)

學(xué)習(xí)率尺度影響最終的分類識(shí)別精度，其值過大，分類精度低；其值過小，訓(xùn)練時(shí)間過長，容易產(chǎn)生局部最優(yōu)的情況。調(diào)整模型中學(xué)習(xí)率，分別取0.01、0.007、0.003和0.001進(jìn)行實(shí)驗(yàn)，其迭代次數(shù)和精度關(guān)系曲線對(duì)比如圖16所示。

由圖16可以看出，當(dāng)學(xué)習(xí)率為0.001時(shí)對(duì)應(yīng)的分類精度最高，迭代次數(shù)在2 000次附近收斂達(dá)到94.7%。

將本文方法與文獻(xiàn)[5]中的CNN網(wǎng)絡(luò)模型缺陷檢測(cè)法和文獻(xiàn)[6]中的傳統(tǒng)Faster R-CNN網(wǎng)絡(luò)模型缺陷檢測(cè)算法進(jìn)行對(duì)比，各類缺陷檢測(cè)準(zhǔn)確率結(jié)果見表2，各類缺陷檢測(cè)時(shí)間見表3。

圖16 學(xué)習(xí)率實(shí)驗(yàn)結(jié)果對(duì)比

表2 不同方法缺陷檢測(cè)準(zhǔn)確率對(duì)比結(jié)果 %

表3 不同方法缺陷檢測(cè)時(shí)間對(duì)比結(jié)果 s

從表2和表3可以看出，改進(jìn)方法對(duì)鋼軌表面四類缺陷檢測(cè)的準(zhǔn)確率和實(shí)時(shí)性都優(yōu)于另2種方法。

5 結(jié)論

(1)為響應(yīng)《中國城市軌道交通智慧城軌發(fā)展綱要》中提出的發(fā)展智能軌道狀態(tài)壽命及維護(hù)評(píng)估系統(tǒng)的目標(biāo)，提出一種基于改進(jìn)Faster R-CNN的鋼軌表面缺陷檢測(cè)方法，在樣本庫圖像中驗(yàn)證該方法對(duì)鋼軌表面常見4種缺陷檢測(cè)平均準(zhǔn)確率達(dá)到94.7%。

(2)對(duì)Faster R-CNN網(wǎng)絡(luò)的卷積核結(jié)構(gòu)和ZF網(wǎng)絡(luò)卷積層結(jié)構(gòu)進(jìn)行改進(jìn)，與改進(jìn)前模型進(jìn)行對(duì)比實(shí)驗(yàn)，改進(jìn)后模型比傳統(tǒng)模型缺陷檢測(cè)準(zhǔn)確率提高1.85%，平均檢測(cè)時(shí)間快0.51 s。結(jié)果表明，改進(jìn)后檢測(cè)方法實(shí)際可行，在軌道狀態(tài)壽命及維護(hù)中有較大的應(yīng)用價(jià)值。