删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

基于负样本多通道优化SSD网络的钢铁厂提取

本站小编 Free考研考试/2021-12-25

闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧綊鏌i幋锝呅撻柛銈呭閺屾盯顢曢敐鍡欘槬缂備胶濮锋繛鈧柡宀€鍠栧畷婊嗩槾閻㈩垱鐩弻娑氣偓锝冨妼閳ь剚绻堝濠氬即閻旇櫣顔曢梺缁樺姦閸撴岸鎮甸弮鍌滅=濞达絾褰冩禍鐐節閵忥絽鐓愰柛鏃€鐗犻幃鈥斥枎閹惧鍘介梺鐟邦嚟閸婃牠骞嬮敃鈧悡鏇㈡煙閹殿喖顣奸柛濠傜仛閹便劌顫滈崱妤€鈷掗梺缁樻尭閵堟悂寮婚垾宕囨殕閻庯綆鍓涜ⅵ闁诲孩顔栭崳顕€宕抽敐鍛殾闁圭儤鍩堝ḿ鈺傘亜閹哄棗浜惧銈庡墮濡繂顫忛搹瑙勫珰闁圭粯甯╅崝澶岀磼閻愵剚绶茬紒澶嬫尦閹儳鈹戠€n亞顔愭繛杈剧稻閻℃洟骞楅弴鐐╂斀闁绘劖娼欓悘锕傛嚕閵堝鐓涢悗锝庝簼閹癸綁鏌嶈閸撴瑧绮诲澶婄?闂侇剙绉寸粻鐘诲箹濞n剙鐏柛娆忕箻楠炴牕菐椤掆偓婵′粙鏌嶉柨瀣伌鐎殿喖鐖奸幃娆撳级閹搭厸鍋撳⿰鍕╀簻闁哄倹顑欏Ο鈧梺鍝勭焿缁绘繂鐣烽妸鈺婃晬婵﹫绲鹃悗鐗堜繆閵堝洤啸闁稿鐩畷顖涘閺夋垹顔夐梺鍛婃处閸樹粙宕戝鈧弻宥夊煛娴e憡鐏撳┑鐐插悑濡啫顫忓ú顏勪紶闁告洖鐏氱瑧闂備胶绮〃鍛村疮閺夋埈鍤曢柟缁樺坊濡插牊鎱ㄥ鍡楀箺婵炲牅鍗冲娲濞淬倖鐩畷銊╊敍閵堝洭妫峰┑鐘垫暩閸嬬娀骞撻鍡楃筏闁兼祴鏅涢崹婵囩箾閸℃ɑ灏ù鑲╁█閺屟嗙疀閹剧纭€缂佺偓鍎抽妶鎼佸箖瑜版帒鐐婃い蹇撳濮c垺绻濋埛鈧崟顒傤槹闂佸搫鐭夌紞渚€寮幇鏉垮窛妞ゆ挾鍟橀埡渚囨富闁靛牆楠告禍婵堢磼鐠囨彃顏鐐村灴瀹曠喖顢涘顐ょ倞闂備礁鎲″ú锕傚窗閹烘纾婚柟鎹愵嚙闁裤倖淇婇妶鍕唹闁归攱妞藉娲川婵犲嫮鐣甸柣搴㈠嚬閸欏啫鐣烽幒妤€惟闁冲搫鍊婚崢閬嶆⒑闂堟胆褰掑磿濞差亝鍋傞柤娴嬫杹閸嬫挾鎲撮崟顒傗敍缂傚倸绉崇欢姘舵偘椤曗偓瀹曞爼顢楁担闀愮綍闂備礁澹婇崑渚€宕硅ぐ鎺斿祦婵°倕鎳忛埛鎺懨归敐鍫燁仩閻㈩垱鐩弻銊ヮ潩閹典礁浜炬繛鍫濈仢閺嬫盯鏌i弽褋鍋㈤柣娑卞櫍瀵粙顢橀悙鐢垫澑婵$偑鍊栫敮鎺椝囬柆宥呰埞闁汇垹鎲¢崑鈩冪節婵犲倸鏆熼柣蹇涗憾閺屾盯骞掗幘宕囩懆闂佸疇顕ч柊锝夌嵁濮椻偓閹煎綊顢曢敍鐗堝哺濮婄粯绗熼埀顒€岣胯閹广垽宕奸妷銉э紮闂佸搫绋侀崢濂稿触瑜版帗鐓曢柟浼存涧閺嬬喖鏌i幘鍐叉殻闁哄本绋戦埞鎴﹀幢濡ゅ﹣鎮i梻渚€鈧偛鑻晶顖炴煙椤旂厧鈧潡鐛崱娑樼妞ゆ洖鎳忛弲婵嬫⒑閹稿孩顥嗙悮娆撴煙闁垮銇濇慨濠冩そ瀹曘劍绻濋崟銊︻潔闂備焦瀵уú蹇涘磿閹绘帩鍤楅柛鏇ㄥ灠缁€瀣亜閺嶃劎銆掗柛姗€浜跺娲捶椤撶偘澹曞┑鐐插悑閻熲晛鐣烽鈷氭椽顢旈崨顖氬箥婵$偑鍊栧褰掑几婵犳碍鍤€闁圭ǹ瀵掑▓浠嬫煟閹邦剙绾ч柛鐘筹耿閺岀喖顢欓妸銉︽悙闂佸崬娲﹂幈銊ヮ潨閸℃绠瑰銈呯箰缂嶅﹤顫忔繝姘<婵炲棙鍩堝Σ顕€姊虹涵鍜佸殝缂佺粯绻堥悰顕€骞囬弶鍨€垮┑鐐村灦宀e潡藝閵娾晜鍋℃繝濠傚暟鏁堥柦妯煎枑閹便劌螣閸喚鍘梺鎶芥敱閸ㄥ爼骞堥妸鈺傚仭闁绘鐗婇幃娆撴⒑缂佹ê绗氭俊鐐扮矙瀵鈽夐姀鐘栤晠鏌曢崼婵囧櫣缂佷緡鍠栭—鍐Χ閸愩劎浠鹃悗鍏夊亾闁归棿闄嶉埀顑跨椤粓鍩€椤掑嫬绠栭柕蹇ョ磿閻熻銇勯弽銊ф创闁轰焦绮撳濠氬磼濞嗘埈妲梺纭咁嚋缁辨洜鍒掑▎鎾崇闁挎棁濮ゅ▍鍥⒑闂堟冻绱¢柛娑卞灱濡叉悂姊绘担瑙勫仩闁稿寒鍨跺畷婵囩節閸愵亶娲稿┑鐘诧工閻楀﹪鎮″▎鎾寸厵濞达絽鍟悵顏呯箾閸涱厽鍤囬柡宀嬬秬缁犳稒绻濋崘鈺冨絾婵$偑鍊戦崝濠囧磿閻㈢ǹ绠栨繛鍡楁禋閸熷懏銇勯弮鍌氬付濠㈢懓瀛╃换婵嗏枔閸喗鐏堥梺鎸庢磸閸庨亶鈥旈崘顔藉癄濠㈣泛鏈▓鎯р攽鎺抽崐鏇㈠箠韫囨稑纾婚柛宀€鍋涚粻鍦磼椤旂厧甯ㄩ柛瀣崌楠炲秹骞愭惔锛勪紝濠殿喖锕︾划顖炲箯閸涱垱鍠嗛柛鏇ㄥ亗閸濇姊绘担瑙勫仩闁告柨绻樺畷鎴﹀箛椤撶媭娲搁梺褰掓?缁讹繝寮崒鐐寸厱妞ゆ劧绲鹃崕鏇㈡煥閺囩偛鈧綊鎮″▎鎾寸厵婵炲牆鐏濋弸娑欍亜閿濆懌鍋㈤柡宀嬬節瀹曘劑顢欓挊澶嗗亾閹扮増鐓涢悘鐐额嚙婵倿鏌熼鍝勨偓婵嗙暦閹烘垟妲堟慨妤€妫旂槐锟�40%闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾剧懓顪冪€n亝鎹i柣顓炴闇夐柨婵嗩槹娴溿倝鏌ら弶鎸庡仴鐎殿喖鐖煎畷鐓庮潩椤撶喓褰呴梻浣规偠閸斿秶鎹㈤崘顔嘉﹂柛鏇ㄥ灠閸愨偓濡炪倖鍔﹀鈧紒顔煎缁辨挻鎷呴幓鎺嶅濠电姰鍨奸崺鏍礉閺嶎厽鍋傛繛鎴炲焹閸嬫捇鐛崹顔煎婵°倗濮甸幃鍌炴偘椤曗偓瀵粙顢橀悢鍝勫箞闂備線娼ф灙闁稿酣浜堕崺鈧い鎺嗗亾缂傚秴锕悰顕€宕奸妷銉庘晠鏌曟径濠冩崳闁哥姵鐗曢悾椋庣矙鐠囩偓妫冮崺鈧い鎺戝缁犳椽鏌i姀鐘冲暈闁绘挾鍠栭悡顐﹀炊閵婏箑鏆楃紓浣哄С閸楁娊骞冨Δ鈧埥澶愬箳閹惧褰嬫俊銈囧Х閸嬫盯鎮ч幘缈犵箚闁归棿绀佸敮闁硅壈鎻徊浠嬪几濞戞埃鍋撶憴鍕缂傚秴锕妴浣糕枎閹惧磭鐣鹃悷婊冪Ф缁辨挸顫濋懜纰樻嫽婵炶揪绲块悺鏃堝吹濞嗘垹纾肩紓浣姑慨鍥婢跺鍙忔慨妤€妫楅獮妯汇亜閳轰礁绾ч柕鍥у缁犳盯骞樼捄渚毇闂備浇妫勯崯浼村窗閺嶎厼钃熼柡鍥╁枔缁犻箖鏌涢…鎴濇灈濠殿喖顦埞鎴﹀焺閸愩劎绁烽梺缁橆殕閹瑰洤顕i弰蹇f▉缂備胶濮甸惄顖炲极閹版澘宸濇い鎺戝€诲▔鍨攽閿涘嫬浜奸柛濠冩礃椤ㄣ儴绠涘☉妯碱唵闂佽法鍣﹂幏锟�
闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧湱鈧懓瀚崳纾嬨亹閹烘垹鍊炲銈嗗笒閿曪妇绮欒箛鏃傜瘈闁靛骏绲剧涵鐐亜閹存繃鍠橀柕鍡楁嚇楠炴捇骞戝Δ鈧紞濠囧箖閳轰緡鍟呮い鏃傚帶婢瑰牏绱撻崒娆掝唹闁稿鎸搁…璺ㄦ崉閸濆嫷妲甸梺绋款儐閹瑰洤鐣峰Δ浣哥窞濠电姳绀侀ˉ姘舵⒒閸屾瑧绐旈柍褜鍓涢崑娑㈡嚐椤栨稒娅犲ù鐓庣摠閻撴洟鏌熼悜妯诲碍缂佹う鍥ㄧ厵濡炲楠稿瓭濡炪倖鏌ㄧ换姗€銆佸▎鎾崇闁绘挸绨堕崑鎾活敍閻愮补鎷绘繛杈剧秬椤宕戦悩缁樼厱閹兼惌鍠栭悘锔锯偓瑙勬礃缁诲倿鎮惧┑瀣妞ゆ巻鍋撻柛鎿冨幖椤啴濡堕崱妤€顫呴梺鐟板暱濞差厼顕i妸鈺傚殟闁靛绲肩花濠氭⒑閸濆嫬鏆欐繛鏉戝€稿玻鍧楁晬閸曨剙鏋戦梺缁橆殔閻楀棛绮幒妤佺厸闁告洍鏅涢崝锕傛煛鐏炵硶鍋撻幇浣告倯闁硅偐琛ラ埀顒冨皺閺嗘姊绘担铏瑰笡閻㈩垱甯¢弫鍐Ψ閳轰絼锕傛煕閺囥劌鏋ら柣銈傚亾闂備浇顫夊畷妯衡枖濞戔挋鐑藉焵椤掑嫭鈷掑ù锝堟鐢盯鏌熷灞藉惞缂侇喗鐟╅獮瀣晜閸忓浜鹃柨鏃傚亾瀹曞鏌曟繝蹇曠暠缁剧虎鍨跺铏圭磼濡⒈鏆″┑鐐插悑閻燂妇鈧潧銈搁獮鍥偋閸碍瀚奸梻浣告啞缁诲倻鈧凹鍙冭棢闁绘ḿ绮悡鏇㈡煟濡搫鏆卞┑顔碱樀閺岀喖鐛崹顔句患闂佸疇妫勯ˇ顖炲煝鎼淬倗鐤€闁哄洨濮峰畵浣糕攽閻樻鏆俊鎻掓嚇瀹曡瀵奸弶鎴狀啇濡炪倖鍔戦崐妤冧焊閻㈢鍋撻獮鍨姎婵☆偅绋撳褔鍩€椤掑倻纾奸柛鎾楀喚鏆梺鎸庤壘椤儻顦抽柣鎿勭節瀵鎮㈤搹鍦厯闂佸壊鐓堥崰妤€袙閹扮増鈷戝ù鍏肩懅閹ジ鏌涜箛鏃撹€块柣娑卞櫍楠炴帒螖閳ь剛绮婚敐澶嬬厸闁告劧绲芥禍楣冩⒑閸濆嫬鈧敻宕戦幘缁樷拻闁稿本鐟чˇ锔剧磽瀹ュ拑韬€规洘鍨剁换婵嬪炊瑜忛ˇ顓炩攽椤旀枻鑰挎い銈呭€垮顐g節閸ャ劎鍘搁梺鎼炲劗閺呮稒绂嶈ぐ鎺撶厸闁逞屽墯缁傛帞鈧綆鍋嗛崢浠嬫⒑瑜版帒浜伴柛鎾村哺閸┿垽寮撮姀锛勫幈闂侀潧鐗嗗ú銈夊几鎼淬劍鐓冮悷娆忓閻忓瓨銇勯姀锛勨槈妞ゎ偅绻堥幃鈩冩償閵忊晛鏅欑紓鍌氬€搁崐宄懊归崶銊ь洸妞ゆ帒瀚壕濠氭煏閸繍妲搁柡鍕╁劦閺屽秷顧侀柛鎾村哺婵$敻宕熼姘鳖唺闂佺懓鐡ㄧ换宥嗙妤e啯鈷戠紓浣股戠亸顓犵磼缂佹﹫鑰跨€殿喛顕ч埥澶愬閻橀潧濮堕梻浣告啞閸旀宕戦幘缁樺仼闁割偅娲橀埛鎴︽煕濠靛棗顏柨娑欐⒒缁辨帡骞撻幒鎾充淮闂佺硶鏂侀崑鎾愁渻閵堝棗绗掗柛鐘宠壘宀e潡骞囬鐘殿啎濠电偞娼欓鍡椻枍閸モ晝纾奸弶鍫氭櫅娴狅妇绱掑Δ鍐ㄦ灈闁糕斁鍋撳銈嗗笒鐎氼剝绻氬┑鐐舵彧缁茶法娑电捄浣曪綁宕奸妷锔惧帾闂婎偄娲よ墝闁稿鎹囧顒勫Ψ閵夈倕顥氶梻浣虹帛閸ㄥ吋鎱ㄩ妶澶嬪亗闁告劦鍠栫痪褔鏌i幇鐗堟锭妞わ絽鍚嬮妵鍕晝閳ь剟宕查弻銉⑩偓锔炬崉閵婏箑鏋傞梺鍛婃处閸撴盯藝閵夆晜鈷戦悗鍦濞兼劙鏌涢妸銉﹀仴闁靛棔绀侀埢搴ㄥ箻閺夋垵澹掓俊鐐€栭崝锕傚磻閸屾粏濮抽柦妯侯樈閻斿棝鎮峰▎蹇擃仾缂佲偓鐎n偁浜滈柕蹇婃閼板潡鏌熼瑙勬珚鐎规洘顨婂畷顐﹀Ψ瑜庨崰鎺楁⒒閸屾艾鈧绮堟笟鈧獮鏍敃閵堝洨鐓撴繛鎾村焹閸嬫捇鏌熼鏂よ€挎鐐叉喘閹囧醇濠靛懐鏁鹃梻鍌欑缂嶅﹤岣胯瀹曨垶宕稿Δ浣镐罕濠殿喗枪閸╂牠鍩涢幋锔界厱婵炴垶锕弨璇差熆鐠哄搫顏柡灞剧〒閳ь剨缍嗘禍婵嬎夐姀掳浜滈柕蹇ョ磿婢х數鈧娲滈崰鏍€佸Δ鍛<婵犲﹤楠搁弲顓㈡⒒娴g瓔鍤欐繛瀵稿厴瀵偊宕ㄦ繝鍕泊闂佽瀛╃粙鎺旀崲閸繍娼栭柧蹇撴贡绾惧吋鎱ㄥΔ鈧Λ娆撴偩閸撲胶纾藉ù锝堟鐢盯鎮介娑樼瑨鐎规挸瀚板娲捶椤撶儐鏆┑鐘灪宀e潡鎮幆褜鍚嬪璺侯儑閸樺崬顪冮妶鍡楀Ё缂佽尪娉曠划璇参熷Ч鍥︾盎闂佽鍎抽悺銊╁Φ濠靛洦鍙忓┑鐘叉噺椤忕姷绱掓潏銊ョ瑨閾伙綁鐓崶椋庡闂侇収鍨堕弻鐔碱敊閻偒浜敐鐐测攽閸喎纾梺鎯х箰濠€閬嶅汲娴煎瓨鈷掑ù锝囨嚀椤曟粎绱掔拠鎻掆偓鑳婵炴潙鍚嬪ḿ娆撴偂閺囥垺鐓欓柣鎴灻悘鐔兼煃瑜滈崜姘辨暜閹烘缍栨繝闈涱儛閺佸棗霉閿濆牜娼愰柛濠傚槻閳规垿鎮欓懠顒佹喖缂備緡鍠栫粔鍫曞箲閵忋倕閱囬柕澶堝劥閹芥洟姊洪幐搴b槈閻庢凹浜滈埢浠嬵敂閸喎浠梺鎼炲劘閸斿瞼寰婄紒妯镐簻妞ゆ巻鍋撴い鎴濇嚇閸╃偤骞嬮敂钘夆偓鐑芥煕濞嗗浚妯堟俊顐e灴濮婃椽骞栭悙鎻掝瀱缂備緡鍠楅悷鈺呮偘椤曗偓瀹曟﹢濡搁姀锛勨偓濠氭⒑閻熸壆鎽犻柡灞诲妽缁傚秵銈i崘鈺冨幗闂侀潧绻堥崹娲汲閳哄懏鐓忛柛鈩冾殣闊剟鏌″畝瀣?闁逞屽墾缂嶅棝宕戦崱妯绘珷闁割煈鍋呴崣蹇撯攽閻樺弶鍣烘い蹇曞Х缁辨帗娼忛妸銉х懆闁句紮缍侀弻褑绠涘☉鎺戜壕婵炴垶鐟弫鍥⒒閸屾瑦绁版俊顐㈠瀹曨垳鈧稒岣块々鏌ユ煕椤愶絾绀€闁藉啰鍠栭弻锝夊棘閸喗鍊梺绋款儛娴滄繈濡甸崟顖氬唨闁靛ě鍕珣闂備浇顕栭崹浼存偋韫囨洘顫曢柟鎯х摠婵潙霉閻樺樊鍎忛柟鐣屾暬閺岋綁濮€閳轰胶浠氶梺閫炲苯澧柛鎾村哺瀹曠敻寮撮悢缈犵盎闂佸搫娲﹂〃鍛妤e啯鈷戠紒顖涙礃閺夊綊鏌涚€n偅灏い顏勫暣婵″爼宕卞Δ鍐噯闂佽瀛╅崙褰掑矗閸愩劎鏆﹂柟杈鹃檮閺呮悂鏌eΟ铏癸紞闁告瑥妫濆娲传閸曨偅娈梺绋匡工閹诧紕绮嬪鍡愬亝闁告劏鏅濋崢鎼佹⒑缁洖澧插畝锝呮健閹苯鐣濋崟顒傚幍闂佸憡鐟ラˇ浼村磹閹扮増鐓欐い鏂诲妼濞层倝鏌嬮崶銊х瘈闂傚牊绋撴晶閬嶆煕鎼达紕鐒搁柡宀嬬稻閹棃濡舵惔銏㈢Х闂備浇顫夐幃鍌炈夐幘鏂ユ瀻闁靛繒濯ḿ鈺呮偣濞差亞绱伴柟鑺ユ礀閳规垿鎮欓弶鎴犱憾闂佺懓鍟垮ú顓㈠春閳ь剚銇勯幒鎴姛闁伙絽鐏氶〃銉╂倷瀹割喖鍓伴梺瀹狀潐閸ㄥ灝鐣烽崼鏇炵厸濞达綀濮ょ€氼剟姊婚崒姘偓鎼佸磹妞嬪海鐭嗗〒姘e亾妤犵偛顦甸弫鎾绘偐閸愬弶鐤勫┑掳鍊х徊浠嬪疮椤愩倗涓嶉柣妯款嚙缁犺绻涢敐搴″濠碉紕鏅槐鎺楁偐閸愬弶璇炲┑顔硷功缁垶骞忛崨顖滅煓闁圭ǹ楠搁埀顒夊灣缁辨挻鎷呮搴″闂佸湱枪閸熷潡顢氶敐澶婄闁瑰搫妫欓~宥呪攽閻樻瑥瀚崝銈囨喐閻楀牊銇濇慨濠傤煼瀹曟帒顫濋钘変壕濡炲瀛╅鑺ユ叏濡寧纭鹃柣鎺戠仛閵囧嫰骞掗幋婵冨亾閸涘﹦顩锋繝濠傜墛閻撶姵绻涢懠棰濆殭闁诲骏绻濋弻锟犲川椤撶姴鐓熷銈冨灪閻╊垶骞冨▎鎴濆灊閻熸瑥瀚褰掓⒒閸屾瑧顦﹂柛姘儐缁傚秵绂掔€n亞锛熼梻渚囧墮缁夋挳鎮¢弴鐐╂斀闁稿本绋撶粻鎾绘煃鐟欏嫬鐏撮柟顔规櫊瀹曞綊顢曢敐鍡欐闂傚倷鑳舵灙妞ゆ垵娲畷鎴濃槈濡厧绠甸梺鍓茬厛閸犳帡寮告惔銊︾厵闁诡垎鍛€悶姘箞濮婅櫣鎷犻幓鎺戞瘣缂傚倸绉村Λ婵嗙暦閺夎鏃堝川椤撶偞鍎梺璇茬箳閸嬬姵绻涢崶顒€绫嶉柛顐ゅ枑濞呮粓姊洪崨濠佺繁闁告ǹ妫勯埢鎾活敇閻樼數锛濇繛杈剧到閹碱偄鏆╅梻浣告憸婵敻鎮ч悩宸殨濠电姵纰嶉崑鍕煟閹捐櫕鎹i柣锝夌畺濮婅櫣绱掑鍡樼暥闂佺粯顨嗙划宀冪亱闂佸憡娲﹂崹閬嶅煕閹达附鍋i柛銉簻閻ㄨ櫣绱掗悩闈涘妺缂佺粯鐩畷銊╊敊閻e矈妲堕梻浣烘嚀缁犲秹宕硅ぐ鎺戠厴闁瑰濮崑鎾绘晲鎼存繄鐩庨梺璇插瘨閸樺ジ鈥旈崘顔嘉ч柛鈩冾殔琛肩紓鍌欐祰瀵挾鍒掑▎蹇e殨闁告劕寮弮鍫濈妞ゅ繐妫寸槐鍐测攽閻愯埖褰х紒鍙夊礃閵囨劙宕橀埡鍐炬锤闂佺粯鍔﹂崜娑氬姬閳ь剟姊洪棃娑㈢崪缂佽弓绮欓幃锟犲箛閻楀牏鍘遍梺鍝勫暊閸嬫捇鏌eΔ鍐ㄢ枅妤犵偛鍟撮弫鎾绘偐閸愯弓绨婚梻浣呵圭换妤呭磻閹版澘鍌ㄩ柟鍓х帛閸嬧剝绻濇繝鍌氼伀闁活厽甯為埀顒冾潐濞叉ḿ鍒掑畝鍕厺閹兼番鍔岀粻娑欍亜韫囨挻顥犻柣锝嗗劤閳规垿鎮欏顔兼婵犳鍠楅幐鎶姐€侀弽顓炲耿婵炴垶鐟ユ禍妤呮⒑閸濆嫭鍌ㄩ柛銊︽そ閹繝宕橀鐣屽幈濠电娀娼уΛ妤咁敂閳哄懏鐓冪憸婊堝礈濠靛鏁嬬憸蹇涘矗閸涘瓨鈷戦柛锔诲弨濡炬悂鏌涢悩鎰佹疁闁诡喒鈧枼妲堥柕蹇娾偓鏂ュ亾閸洘鐓熼柟閭﹀灡绾墽鎮鑸碘拺闂傚牃鏅濈粔顒併亜椤愩埄妯€濠碉紕鏁诲畷鐔碱敍閿濆棙娅囬梻浣瑰缁诲倸煤閵娾晜鍋╅柣銏犳啞閳锋垵霉閸忚偐鎳呴柟顔笺偢閺屾稖绠涢弬鍡╀邯閹箖鎮滈挊澶愬敹闂佸搫娲ㄩ崑鐔煎储閹间焦鈷戦柛娑橈工婵偓闂佸搫鎳忕划鎾诲箚娓氣偓楠炴帒螖娴e弶瀚介梻浣呵归張顒勬偡閿斿墽鐭堥柟娈垮枓閸嬫挾鎲撮崟顒傤槬闂佽绻戝畝鎼佺嵁閸儱惟闁宠桨鑳舵鍥⒑閸︻厼浠洪柛鏂跨Т椤啴鎳為妷銈囩畾闂佸壊鍋呭ú鏍煁閸ャ劎绠鹃柟瀵稿剱濞堟洟鏌i銏㈢婵﹦绮幏鍛存惞閻熸壆顐奸梻浣告啞濮婄懓煤閻旇偐宓侀柡宥庡弾閺佸啴鏌ㄩ弮鍥棄婵炲牊绻堥弻锝夋偄閸濄儲鍣ч柣搴㈠搸閸斿秶绮嬪鍛牚闁割偆鍠撻崢鐢告⒑缂佹ê鐏﹂柨姘舵煟韫囧鍔﹂柡灞界Х椤т線鏌涢幘瀵告噮缂佽京鍋炵换婵嬪磼濠婂嫭顔曢梻浣烘嚀閻°劎鎹㈠鍛╃細闁靛ň鏅滈悡鍐喐濠婂牆绀堥柣鏂款殠閸ゆ洖鈹戦悩瀹犲闁告濞婇弻锝夊籍閸ヮ煈浠╁銈嗘⒐濞茬喖骞冨畡鎵冲牚闁告劦鈧垬鍊濋弻宥堫檨闁告挻宀稿畷娆掋亹閹烘垿妫烽梺鎸庣箓閹峰宕甸弴銏$厵闁诡垱婢樿闂佺ǹ顑嗛崝妤冩閹惧瓨濯村Δ鐘妽瀹€鎼佺嵁韫囨拋娲敂閸涱亝瀚奸梻浣告啞缁嬫垿鏁冮敃鍌氱叀濠㈣埖鍔栭悡銉╂煛閸ヮ煁顏堝焵椤掍緡娈橀柛鎺撳浮椤㈡﹢濮€閻樻鍞洪梻浣筋潐瀹曟ḿ浜稿▎鎴犱笉婵﹩鍓﹀〒濠氭煏閸繃顥滃┑顔ㄥ懐纾奸柡灞诲劤閻f椽鎸婇悢鍏肩厱妞ゆ劑鍊曢弸宥囩磼鐠囧弶顥為柕鍥у楠炲洭鍩℃担杞扮棯闂備焦鎮堕崐鏇灻洪銏犺摕婵炴垯鍨归悡娑㈡倵閿濆骸澧伴柣锕€鐗撻幃妤冩喆閸曨剛锛橀梺鍛婃⒐閸ㄥ潡濡存担绯曟瀻闁规儳纾悾楣冩偡濠婂啰效鐎规洩绲剧换婵嬪炊閵娿垺瀚介梻浣呵归張顒勬偡閵娾晛绀傜€光偓閳ь剛妲愰幒妤婃晪闁告侗鍘炬禒鎼佹倵鐟欏嫭绀冪紒璇茬墦瀵偊宕橀鑲╋紲濠殿喗锕㈢涵绋课i懜鐢电瘈闁汇垽娼ф禒婊勪繆椤愶絿鎳囩€规洘绻堝鎾偐閹颁礁浠洪梻浣虹帛閸旀銆傛禒瀣;闁规崘宕靛畵渚€鏌涢…鎴濇灈濠殿喖楠搁—鍐Χ韫囨洜绐楅梺鍛婎殕婵炲﹪鐛崘顔肩伋闁哄倶鍎查悗濠氭⒑閸︻厼浜炬繛鍏肩懇閸┾偓妞ゆ巻鍋撻柣蹇旀皑閹广垹鈽夐姀鐘殿吅闂佺粯鍔曢悘姘跺窗濡ゅ啰纾介柛灞捐壘閳ь剙缍婇幊婵囥偅閸愶絺鍋撻敃鍌涘殑妞ゆ牭绲鹃鍥⒒娴e憡鍟為柟鎼佺畺瀹曚即寮借閸ゆ洖鈹戦悩宕囶暡闁稿瀚伴弻娑滅疀閺囩偛浠橀梺鍛婃惄閸撶喎顫忓ú顏勫窛濠电姴瀚槐浼存⒑缁嬪潡顎楅柣銈呮喘閸╁懘妫冨☉鎺撴杸闁圭儤濞婂畷鎰旀担鐟板伎闂佺粯鍨煎Λ鍕缂佹ḿ绠鹃柟瀛樼懃閻忣亪鏌i幘顖氫壕闂傚倷鐒︾€笛呮崲閸屾娑㈠籍閸屾稑搴婇梺绯曞墲缁嬫帡鎮¢悢鍏肩厵閺夊牆澧界粙缁樸亜閵夈儺妯€妤犵偛妫濋幃銏ゅ礂鐏忔牗瀚奸梻鍌氬€搁悧濠冪瑹濡も偓椤﹨顦查柍瑙勫灴閸ㄩ箖鎼归銏╂П缂傚倷绀侀崐鍝ョ矓閹绢喗鍋╅柨鐔哄Т缁犮儵鏌ц箛锝呬簼闁哄鎮傚缁樻媴閾忕懓绗¢梺鍛婃⒐閻楁洖鐜婚崹顔规瀻闁圭偓娼欓埀顒€鐖奸弻銊╁籍閸ヮ灝鎾绘煕濞嗗繒绠伴柍瑙勫灴閹晠骞撻幒婵呯棯闂備焦鎮堕崐鎰板磻閹剧繝绻嗛柣鎰典簻閳ь兙鍊濆畷銏$附閸涘﹤鈧埖绻濋棃娑卞劀缂傚秵鐗楃换婵囩節閸屾粌顣洪梺缁樺笒閻忔岸濡甸崟顖氱闁瑰瓨绻嶆导鈧柣搴ゎ潐閹搁娆㈠璺鸿摕婵炴垯鍨圭粻娑㈡煃鏉炴壆顦︽い銉ヮ儔濮婃椽宕崟顐f闂佺粯顨呭Λ妤咁敊韫囨挴鏀介柛銉e劙缁ㄥ姊洪崫鍕殭婵炲眰鍊涢。鍧楁⒒娴h櫣甯涚紒璇茬Ч瀹曟垶绻濋崶褑鎽曢梺鎸庣箓濡瑩宕曢悢鍏肩厓闁靛鍎遍弳閬嶅级閸繃鍤囨慨濠呮缁瑥鈻庨幆褍澹夐梻浣告贡閹虫挸煤椤撶儐鍤曢悹鍥ㄧゴ濡插牓鏌曡箛鏇炐ラ柣銈傚亾濠碉紕鍋戦崐鏍箰妤e啫纾绘繛鎴炵懄閸欏繘鏌曡箛鏇炐涢柡鈧禒瀣厽闁归偊鍨伴惃鍝勵熆瑜嬮崹浠嬪蓟濞戞埃鍋撻敐搴′簼閻忓繒鏁婚弻鐔肩嵁閸喚浠奸梺瀹犳椤︻垶锝炲┑瀣櫜闁告侗鍓欓ˉ姘舵⒒娴e湱婀介柛銊嚙閳诲秹濡烽妸锝勬睏闂佸湱鍎ょ换鍐疾濞戙垺鈷戦悷娆忓閸斻倕顭胯濞撮攱绔熼弴銏″仼閻忕偟枪娴滅偓顨ラ悙鑼虎闁告梹鐟х槐鎺楀焵椤掍焦濯撮柛锔诲弾濞插憡淇婇妶蹇曞埌闁哥噥鍨堕崺娑㈠箳閹存瑢鍋撻幒鎴僵闁挎繂鎳嶆竟鏇熺節閻㈤潧浠掗柛鏍█瀹曟鎮欓鍌楁闁剧粯鐗犻弻娑樷槈閸楃偛绠婚梺鍝勮嫰閻楁挸顫忓ú顏勬嵍妞ゆ挴鍓濋妤呮⒑閸濄儱校闁绘绮庨崚鎺撶節濮橆厼浜圭紓鍌欑劍宀e潡宕㈤鍫燁棅妞ゆ劑鍨烘径鍕箾閸欏澧柡鍡忔櫊濮婄粯鎷呴崨濠冨創濠碘槅鍋呴〃濠囥€侀弽銊ョ窞闁归偊鍓濋幗鏇㈡⒑閺傘儲娅呴柛鐕佸亞濞嗐垽鎮欓崫鍕啇濠电儑缍嗛崜娆撴倶椤曗偓閺屾洟宕卞Δ瀣惈濠殿喖锕ㄥ▍锝夊箯閻樿鐏抽柧蹇e亞瑜版煡姊绘担鐑樺殌闁搞倖鐗犻獮蹇涙晸閿燂拷40%闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾剧懓顪冪€n亝鎹i柣顓炴闇夐柨婵嗩槹娴溿倝鏌ら弶鎸庡仴鐎殿喖鐖煎畷鐓庮潩椤撶喓褰呴梻浣规偠閸斿秶鎹㈤崘顔嘉﹂柛鏇ㄥ灠閸愨偓濡炪倖鍔﹀鈧紒顔煎缁辨挻鎷呴幓鎺嶅濠电姰鍨奸崺鏍礉閺嶎厽鍋傛繛鎴炲焹閸嬫捇鐛崹顔煎婵°倗濮甸幃鍌炴偘椤曗偓瀵粙顢橀悢鍝勫箞闂備線娼ф灙闁稿酣浜堕崺鈧い鎺嗗亾缂傚秴锕悰顕€宕奸妷銉庘晠鏌曟径濠冩崳闁哥姵鐗犻悰顕€骞囬鐔峰妳闂佹寧绻傞崯鐘诲磻閹捐绠涢柡澶庢硶妤犲洭姊洪崘鍙夋儓闁稿﹨宕电划濠氭倷鐎涙ê寮挎繝鐢靛Т閹冲繘顢旈悩鐢电<妞ゆ梻鏅幊鍥殽閻愭潙濮堥柟顖涙婵偓闁炽儲鍓氭导鍡欑磽閸屾艾鈧悂宕愬畡鎳婂綊宕堕澶嬫櫔閻熸粌绻掗崚鎺楀籍閸喎浠梺瑙勵問閸犳鈻撴ィ鍐┾拺婵懓娲ら悘鈺呮煙鐠囇呯瘈鐎殿喗褰冮埞鎴犫偓锝庡亞閸樻捇鎮峰⿰鍕煉鐎规洘绮撻幃銏ゅ礄閵堝牃鍋撻崹顔衡偓鎺戭潩閿濆懍澹曟繝娈垮枛閿曘劌鈻嶉敐鍥潟闁圭儤鍤﹂悢鐓庣闁绘挸瀛╅悵锝夋⒒閸屾瑨鍏屾い銏狅工閳诲秹寮撮姀鐘殿槷濠德板€曢崯顐﹀垂濠靛鐓涢柛鎰╁妿婢ч亶鏌℃担鍛婎棦闁哄本鐩鎾Ω閵夈儺娼鹃梻浣告啞閿曗晜绂嶉鍕垫綎闁惧繒鎳撶€垫煡鏌¢崶鈺佷粶闁冲嘲顦—鍐Χ閸愩劌顬堥梺纭呮珪閿氭い鏇秮楠炲酣鎳為妷銉ょ盎闂備胶枪缁绘宕戦幇鏉垮偍闁汇垹鎲¢崐鐢告煟閻斿憡绶叉い蹇d簻椤潡鎮烽悧鍫¥缂備緡鍠楀Λ鍐箖濠婂吘鐔兼⒐閹邦喚娉块梻鍌欑窔濞佳呮崲閸℃稑鏄ユ俊銈呮媼閺佸倿鏌涢锝囩畼闁告ɑ鎸冲铏规兜閸涱喖娑х紓浣哄У閸ㄥ潡骞冨▎鎰瘈闁告洦鍓欓弸鎴濃攽閻樿宸ラ悗姘煎墴椤㈡岸鏌嗗鍡欏幈闂佹枼鏅涢崯浼村煀閺囥垺鐓冮梺鍨儏缁楁帡妫佹径鎰叆婵犻潧妫欓崳娲煕閻斿搫浠遍柡宀€鍠栭、娑橆潩閸楃偐鍙洪梻浣告惈閻寰婇崐鐔轰簷濠电偠鎻紞鈧繛鍜冪秮閹剝寰勯幇顓炩偓鐢告偡濞嗗繐顏紒鈧崘顏嗙<妞ゆ棁鍋愰悞鎼佹煕閳瑰灝鍔滅€垫澘瀚伴獮鍥敆婢跺绉遍梻鍌欒兌閸嬨劑宕曢柆宥呭偍闁哄稁鍘肩粻锝夋⒑閸噮鍎庣紒璇叉閺岋綁骞囬崗鍝ョ泿闂侀€炲苯澧柣妤冨█楠炲啳顦查摶鏍煕閹板吀绨介柣鎾存崌濮婃椽宕烽鐐板闂佹椿浜滅紞濠囧春閳ь剚銇勯幒鍡椾壕闂佺娅曢敃銏ょ嵁閸愩劉鍫柛顐ゅ枎濞堢喖姊洪棃娑辨Ф闁稿簼鍗冲畷鐘诲冀瑜夐弨浠嬫煟閹邦垰鐓愮憸鎶婂懐纾奸棅顐幘閻瑦顨ラ悙鎼當妤楊亙鍗冲畷濂告偄閸涘﹦褰ㄩ梺璇查缁犲秹宕曢崡鐏绘椽濡歌椤ユ岸鏌i幘鍐茬槰闁绘柨妫濋幃褰掓惞閻熸壆娈ら梺鍛婃⒒閸犲酣婀侀梺缁橈供閸犳牠鎮橀崣澶夌箚妞ゆ劧绱曢崝宥団偓鍨緲鐎氼噣鍩€椤掑﹦绉甸柛鎾寸洴閹線宕奸妷锕€浠┑鐘诧工閸熸壆绮婚弻銉︾厵濞撴艾鐏濇慨鍌涱殽閻愯揪鑰挎い銏$懇閹虫牠鍩¢崒婊冨Ъ婵犵绱曢崑鎴﹀磹閺嶎厽鍋嬫繝濠傜墕绾剧粯绻涢幋鐐寸殤濞戞挸绉甸幈銊ノ熼崹顔惧帿闂佺粯鎸诲ú婊堝焵椤掆偓閸樻粓宕戦幘缁樼厓鐟滄粓宕滈悢椋庢殾闁硅揪闄勯崐鐑芥煟閹寸伝顏呯濡ゅ懏鈷戦梻鍫熶緱濡狙冣攽閳ヨ櫕宸濈紒顔剧帛閵堬綁宕橀埡鍐ㄥ箥闂佽娴烽弫鍛婄仚闂侀€炲苯澧柛銊ョ仢閻g兘鎮滅粵瀣櫍濠电偞鍨剁湁濠㈣娲栭埞鎴︻敊閻偒浜滈悾鐑筋敆閸曗斁鍋撻崒鐐村殐闁冲搫鍟伴敍婊呯磽閸屾瑧鍔嶅畝锝呯仢鐓ら柟缁㈠枟閻撴瑦銇勯弮鍌涘殌濠⒀勭叀閺岀喖顢涘☉娆樻闂佺硶鏂傞崕闈涚暦閸楃倣鏃堝焵椤掆偓閺侇喚绱撻崒姘偓鎼佸磹閹间礁纾瑰瀣捣閻棗銆掑锝呬壕閻庤娲橀崝娆忕暦椤愶箑唯鐟滃繘鎮$€n喗鍋℃繝濠傛噹椤eジ鎮介姘枠闁糕斁鍋撳銈嗗灱濞夋洜绮i弮鍌楀亾濞堝灝鏋熼柟姝屾珪閹便劑鍩€椤掑嫭鐓熸繛鍡楄嫰娴滄儳鈹戦悙闈涘付闁挎洦浜滈~蹇涙惞閸︻厾锛滃┑鈽嗗灠婢у海妲愭导瀛樷拺閺夌偞澹嗛崝宥夋煟閳╁啯绀嬮柛鈺佹嚇閺佹捇鏁撻敓锟�9闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧綊鏌i幋锝呅撻柛銈呭閺屾盯顢曢敐鍡欙紭闂侀€炲苯鍘搁柣鎺炲閹广垹鈹戠€n亞鍊為悷婊冮鍗辨い鎺戝閳锋垿鏌涘┑鍡楊伀闁宠顦甸弻娑㈠箻鐎靛憡鍣紓浣戒含閸嬫盯锝炲⿰鍫濈劦妞ゆ巻鍋撴い顐㈢箳缁辨帒螣閼测晜鍤岄梻渚€鈧偛鑻晶鎾煕閳规儳浜炬俊鐐€栫敮鎺楀磹閸涘﹦顩锋繝濠傜墛閻撶姵绻涢懠棰濆殭闁诲骏绻濋弻锟犲川椤撶姴鐓熷銈冨灪瀹€鎼佸春閳ь剚銇勯幒鎴濐仼闁藉啰鍠愮换娑㈠箣閻愬灚鍣紓浣叉閸嬫捇姊绘担鍛婂暈闁告柨绻樺鎻掆槈閵忕姷鍔﹀銈嗗笂缁€浣规叏瀹ュ鐓涚€光偓閳ь剟宕伴弽顓溾偓浣糕槈濮楀棙鍍靛銈嗗笂閻掞箓顢欓幒鎴旀斀闁绘ɑ鍓氶崯蹇涙煕閻樺啿娴€规洘鍨块獮妯肩磼濡攱瀚奸梻鍌氬€搁悧濠勭矙閹惧瓨娅犻柡鍥ュ灪閻撴瑩鏌ц箛锝呬簻濠殿喖绉归幐濠傗攽閸ャ儰绨婚梺瑙勬緲閻栫厧顬婇鈧弻宥夋煥鐎n亞浠肩紓浣介哺鐢繝銆佸☉妯锋婵炲棙鍩堝Σ顒€鈹戦悩顐e闁告劑鍔庢鍥╃磽娴h櫣甯涢柣鈺婂灦楠炲﹪鎮╁ú缁樻櫌闂侀€炲苯澧寸€殿喚枪閳藉濮€閿涘嫬骞嶆俊鐐€栧ú鏍涘☉姘К闁逞屽墴濮婅櫣鍖栭弴鐔哥彣缂備胶绮换鍌炴偩閻戣棄惟闁冲搫锕ラ弲鈺呮煟閻斿摜鎳冮悗姘煎墴椤㈡棁銇愰幒鎾嫽闂佺ǹ鏈悷褔藝閿曞倹鐓欓悹鍥囧懐鐦堝Δ鐘靛仦閸旀瑥鐣烽崡鐐╂婵☆垳鈷堝Σ浼存煟閻斿摜鐭婄紒澶岊攰濡垹鈹戦瑙掑綊宕洪弽顓炵厱闁瑰鍋為崣蹇涙煟閻斿搫顣奸柟鍏煎姍閺岋綁骞掗幘娣虎闂佸搫鏈惄顖涗繆閹间礁鐓涢柍褜鍓熼獮澶愭倷椤掑顔旈梺缁樺姈濞兼瑦鎱ㄥ澶嬬厵闁绘挸娴风粔鐑樸亜閵忊剝绀嬮柡浣哥Ч瀹曠喖顢橀悩铏槥闂傚倸鍊峰ù鍥敋瑜忛埀顒佺▓閺呮繄鍒掑▎鎾崇闁哄洨鍠愰崳閿嬬節閻㈤潧校妞ゆ梹鐗犲畷褰掓焼瀹ュ懐顔囬梺瑙勫劶濡嫮绮婚弽顐熷亾閻熸澘顏鐟邦儔瀵憡鎯旈妸褍褰勯梺鎼炲劘閸斿秹骞嗛崟顐€褰掓偐鐏炲倸浠┑顔硷工椤嘲鐣烽幒鎴僵妞ゆ垼娉曢弫鏍⒒娴h鍋犻柛鏂跨箰閳绘柨鈽夐~顔剧◤闂婎偄娲︾粙鎺楀箚閻愮儤鍋℃繛鍡楃箰椤忊晠鏌涘Ο铏圭Ш婵﹥妞藉畷銊︾節娴h櫣绠掗梻浣规偠閸斿宕¢幎钘夌畺鐟滃秹锝炲┑瀣殝缁剧増蓱鐎氳偐绱撻崒娆戭槮妞ゆ垵鎳庡玻鍧楁晸閻欌偓閺佷焦淇婇妶鍛殜闁稿鎸鹃幉鎾礋椤掆偓椤︹晠姊洪崨濠冨暗闁哥姴閰i弫鍐閳╁啫顎撶紓渚囧灡濞叉﹢寮埀顒佷繆閻愵亜鈧牠寮婚妸鈺嬬稏闁哄洨鍠撻々閿嬬節婵犲倻澧涢柣鎾存礋閹鏁愭惔鈥茬凹閻庤娲栭惌鍌炲蓟閳ュ磭鏆嗛柍褜鍓熷畷浼村冀椤撴壕鍋撴担绯曟瀻闁圭偓绶為埡鍛厪濠㈣埖鐩顕€鏌熼鐣屾噰婵﹨娅g槐鎺懳熼崫鍕垫綋闂備焦瀵уú锔界椤忓嫷鍤曢悹鍥ф▕閸氬顭跨捄鐚存缂佸崬鐖煎娲川婵犲啫顦╅梺绋款儏閹冲酣鍩㈤幘璇茶摕闁靛鑵归幏娲煟閻樺弶绀岄柍褜鍓欑壕顓熷閸垻纾介柛灞炬皑灏忕紓浣插亾濞撴埃鍋撻柨婵堝仩缁犳盯骞樻担瑙勩仢妞ゃ垺妫冨畷鐔碱敇瑜嶉弫褰掓⒒娴d警鏀板鐟扮墦楠炴捇顢旈崱妤冪瓘闂佸憡绻傜€氣偓闁挎繂顦柋鍥煏婢舵稖鍚傞柟閿嬫そ濮婅櫣绮欑捄銊ь唶闂佸憡鑹鹃澶嬩繆閻㈠憡鍋勯柛蹇氬亹閸橀亶姊洪棃娴ゆ盯宕熼浣烘婵犵數濮烽。顔炬閺囥垹鏋佸┑鐘虫皑瀹撲線鏌涢妷顔煎缂佺嫏鍥ㄥ仯濞撴凹鍨抽崢婊呯磼鏉堛劎鍙€婵﹦绮幏鍛存惞閻熸壆顐奸梻浣告啞濮婄懓鐜婚幐搴n洸缂佸绨遍弸搴ㄦ煙閹呅㈡繛宸弮閵嗕線寮撮姀鈩冩珕闁荤喐鐟辩徊鍓р偓姘偢濮婄粯鎷呴崨濠傛殘缂備浇顕ч崐濠氬焵椤掍浇澹橀柛銏″絻瀹撳嫰鏌i悢鍝ユ噧閻庢哎鍔嶇粋宥呪堪閸喓鍘甸柣搴f暩鏋ù鐘欏洦鐓欓柛鎰级瀹告繈鏌嶈閸撴繈锝炴径濞掑搫螣閸忕厧搴婇梺鍓插亝缁诲嫰寮抽敃鍌涚厪濠电倯鈧崑鎾绘煕鐎n偅灏柍钘夘槸閳诲海鈧綆鍓涚粣妤呮⒒娴e憡鍟為拑閬嶆煙椤旂厧鈧潡鐛崘銊庢棃宕橀埡浣圭€梻浣告啞濞诧箓宕滃▎鎾搭棄鐎广儱顦伴埛鎴︽煕濞戞﹫鍔熺紒鐘虫崌濮婅櫣鏁鎯у煂闂佷紮绲块崗姗€鐛崶顒€绾ч悹鍥╁珡閸愬墽鍞甸柣鐘烘鐏忋劑宕濋悢鍏肩厸閻忕偟鏅晶锔芥叏婵犲啯銇濈€规洘绮撻獮鎾诲箳瀹ュ洦瀵滈梻鍌欒兌鏋悗娑掓櫊閹繝鏁撻悩鑼暫闂佽法鍠撴慨鎾础閹惰姤鐓熸俊顖氭惈閺嗛亶鏌$€n偄鐏撮柡宀€鍠栭幊婵嬫偋閸繃閿紓鍌欑劍瑜板啫岣块敓鐘茬畾閻忕偠袙閺嬪酣鏌熼幑鎰【鐟滄澘瀚板娲箹閻愭彃濮岄梺鍛婃煥闁帮綁宕洪妷锕€绶為柟閭﹀幘閸樹粙姊洪崷顓炲妺闁搞劏顫夌粋鎺戔槈閵忥紕鍘梺鎼炲劀閸愬彞绱旀俊銈囧Х閸嬫盯顢栨径鎰瀬闁圭増婢樺婵囥亜閹捐泛鈧偊濡烽埡鍌楁嫽婵炶揪绲介幊娆撳捶椤撶喎搴婇梺鍦濠㈡ḿ鈧艾顦伴妵鍕箳閹存績鍋撻悷鎵殾闁告瑥顦辩粻楣冩煙鐎涙ḿ鎳冮柣蹇婃櫇閳ь剛鎳撻幉锛勬崲閸愵喖桅闁告洦鍨扮粻娑㈡煃鏉炴媽鍏屽ù鐘靛帶椤啴濡舵惔鈥愁潻濡炪倧绠撳ḿ褔锝炶箛娑欐優閻熸瑥瀚悵浼存⒑閻愯棄鍔氱痪缁㈠幗缁傛帡顢橀悙鈺傛杸闂佸疇妫勫Λ妤佺濠婂牊鐓曢柣鏂挎啞缂嶆垶銇勯弴顏嗙М妞ゃ垺娲熼弫鍐焵椤掑倻鐭嗛柛鎰靛枟閻撳啴鏌涘┑鍡楊仼闁逞屽墯閹倿銆侀幘璇茬闁告挷鑳堕敍婵囩箾鏉堝墽鍒板鐟帮躬瀹曟洟骞樼€靛摜顔曟繝銏f硾椤戝棛绮堥崘顏嗙<闁稿本绋戝ù顔姐亜閵忊槄鑰垮┑顔瑰亾闂佹娊鏁崑鎾绘煙妞嬪海甯涚紒缁樼⊕濞煎繘宕滆閸╁矂姊虹涵鍜佸殝缂佺粯绻傞悾鐑筋敍閻愭潙鈧兘鏌i幋鐐ㄧ細闁告ü绮欏娲濞戞帒鎮嶆繝纰樷偓铏枠闁诡垰鐬奸埀顒婄秵閸犳鎮″▎鎴斿亾閻熸澘顏褎顨婂畷鐢稿炊椤垶顔旈梺缁樺姇閻°劌鐣风仦缁㈡闁绘劖娼欑粭鎺撱亜閹剧偨鍋㈢€规洦浜濋幏鍛嫚閳╁喛绱栨繝鐢靛Х閺佸憡鎱ㄩ悜钘夋瀬闁归棿绀佺壕濠氭煟濡鍤欑紒鐘茬仛閵囧嫯绠涢幘鎼¥缂備讲鍋撳┑鐘插€堕埀顒佸笒椤繈鏁愰崨顒€顥氶梺璇插椤旀牠宕板Δ鍛亗闁跨喓濮寸粻鐘绘煟濡粯銇熼柡浣告閺屾盯骞囬埡浣割棊闂佽法鍠撴慨鐢稿煕閹达附鍋℃繛鍡楃箰椤忊晠鏌涢弮鍥ㄧ【闁宠鍨块、娆撳传閸曘劌浜炬繝闈涱儏缁犳牠鏌ㄩ悢鍝勑㈤柛妤佸▕閺岋綁寮崹顕呮殺缂備胶濮靛畝绋款潖濞差亝顥堟繛鎴炶壘椤f椽鏌f惔銏犲毈闁革綇缍€濡喖姊洪幐搴㈢闁稿﹤缍婇幃鈥斥枎閹惧鍘遍棅顐㈡处閹告悂骞冮幋锔界厱濠电姴鍟慨宥夋煛瀹€瀣?濞寸媴绠撻幃鍓т沪濠靛嫬鍔滈柕鍥у椤﹁京绱掗懜闈涘摵鐎殿喛顕ч埥澶娾堪閸涱垱婢戦梻浣告惈閸燁偊宕愰崼鏇炵劦妞ゆ帊绀佺粭褏绱掓潏銊ユ诞妞ゃ垺鐟╅幊鏍煛娓氬洦婢戦梻鍌欒兌閹虫捇宕查弻銉ョ疇婵☆垵娅i弳锕傛煟閹寸姷鎽傞柡浣告川閹插憡鎯旈妸锔惧弳闂侀潧鐗嗛ˇ浼村煕閹烘嚚褰掓晲閸涱喖鏆堥梺璇″灠閻楀﹦鎹㈠☉姘勃闁稿本鑹鹃~鍥倵鐟欏嫭纾婚柛妤佸▕閻涱喖螣閸忕厧鐝伴梺鑲┾拡閸撴瑩鐛€n喗鐓熼幖杈剧磿閻n參鏌涙惔銊ゆ喚閽樻繃銇勯弽銊х煂濞戞挸绉归弻鐔煎箚閺夊晝鎾绘煟閹惧鎳囬柡宀€鍠栭、娑樷堪閸愮偓姣夋俊鐐€戦崕閬嵥囬悽绋胯摕闁挎繂顦粻鎶芥煙鐎电ǹ小缂侇喚鏁诲娲濞戞瑦鎮欓柣搴㈢煯閸楁娊鎮伴閿亾閿濆簼绨撮柡鈧禒瀣厱妞ゆ劧绲块惌搴繆閻愵剚鍊愭慨濠勭帛閹峰懘宕ㄩ棃娑氱Ш闁轰礁鍟存俊鐑藉Ψ鎼搭垳鎮奸柍褜鍓ㄧ紞鍡涘礈濞戞艾顥氬ù鐘差儐閻撴洟鎮橀悙鏉戠濠㈣锕㈤弻宥堫檨闁告挾鍠栬棢闁规崘娉涢崹婵嬫煕椤愩倕鏋旈柣鐔风秺閺屽秷顧侀柛鎾寸懇椤㈡岸鏁愭径瀣缓闂佸憡鎸稿鍫曞疾閵忋倖鈷戦梺顐ゅ仜閼活垱鏅堕幘顔界厓闁靛闄勯ˉ鍫⑩偓瑙勬礃閿曘垽銆佸▎鎾村癄濠㈣泛鏈宥嗙節閻㈤潧袨闁搞劌缍婂畷銏犫堪閸繄鏌у┑鐘诧工閻楀﹪宕曟惔鈧簻闁哄秲鍔嶉惃鎴︽煛閸☆厼顩紒杈ㄥ笧閳ь剨缍嗛崣搴ㄥ吹閿曞倹鐓涢柛鎰╁妿婢ф洟鏌i幒鎴犱粵闁靛洤瀚伴獮鎺楀箣濠靛洦顔嶇紓鍌欒兌婵偓鎱ㄩ妶鍥ㄥ床婵犻潧顑嗛崑銊╂⒒閸喓鈼ラ柛婵囶殜濮婅櫣鎲撮崟顑句户婵炲瓨绮庨崑鐔肺i幇鐗堝€烽柛婵嗗閸旓箑顪冮妶鍡楃瑐闁煎啿澧庣划缁樸偅閸愨晝鍘卞┑鐘诧工閸燁偊寮抽悢铏圭<濠㈣埖锚閺嬨倝鏌嶈閸撴繈锝炴径濞掓椽鍩¢崘顏嗩槸婵炴挻鍩冮崑鎾垛偓瑙勬礃濡炰粙宕洪埀顒併亜閹哄秹妾峰ù婊勭矒閺岀喖宕崟顓夈儵鏌涜箛鎾剁伇缂佽鲸甯¢幃鈺呮嚒閵堝洦姣囬梻浣告惈閻ジ宕伴幘璇茬劦妞ゆ帒鍊归弳鈺呭几椤忓娊褰掓偑閸涱垳鏆ら梺鍝勭焿缂嶄線鐛鈧畷锟犳倷閹绘崼鎴犵磽閸屾瑦绁板鏉戞憸閺侇噣鍩勯崘褏绠氶梺褰掓?閻掞箓寮插⿰鍐f斀妞ゆ棁妫勬慨鍐煣韫囨捇鍙勬慨濠勭帛閹峰懘鎼归獮搴撳亾婵犲洦鐓涢柛灞剧懅缁愭梻鈧娲橀崹鍧楃嵁濮椻偓楠炲洦鎷呴悷鎵В闂傚倷绶氬ḿ褔鎮ч崱妞㈡稑螖閸涱喖鈧爼鏌ㄩ弴鐐测偓褰掑磹閻㈢數纾兼俊銈勮兌閳藉鏌熼搹顐㈠闁诡垰鐭傚畷鐓庮熆濠靛棛绉洪柟顔瑰墲閹棃鏁愰崱妯烘灈闂傚倷鑳剁划顖炲箰妤e啫绐楅柟鐗堟緲妗呴梺鍛婃处閸犳岸鎮块埀顒勬⒑閸︻厼浜炬繛鍏肩懃閳诲秹濡舵径瀣幗闂婎偄娲﹂幑鍥偘濠婂懐纾奸柣妯挎珪瀹曞瞼鈧鍠栭…鐑藉箖閵忋垹鏋堥弶鍫涘妽濞呮捇姊绘担绋挎倯濞存粈绮欏畷鏇㈩敍濞戞凹娴勯梺闈涚箞閸婃牠鍩涢幋锕€绾ч柣鎰綑椤ュ鏌涢弬璺ㄐч柡灞剧洴瀵噣鍩€椤掑嫭鍋¢柕澶嗘櫆閸嬧晠鏌i幋锝嗩棄闂佸崬娲弻锟犲炊閳轰椒鎴烽梺鍛娚戦幃鍌氼潖閾忓湱鐭欓柟绋垮閹疯京绱撴担鍓插剱闁搞劌鐏濋悾宄扳攽閸♀晜寤洪梺閫炲苯澧い顐㈢箲缁绘繂顫濋鍌︾床婵犵數鍋涘Λ娆撳春閸惊锝夘敋閳ь剙顫忛搹瑙勫厹闁告粈绀佸▓婵堢磽娴h櫣甯涚紒璇茬墦閻涱喗绻濋崒妤佹杸闁诲函缍嗘禍鐐核囬銏″仭婵犲﹤鍠氬Ο鈧悗瑙勬礃閸ㄥ潡鐛鈧獮鍥ㄦ媴閻熸澘鍘為梻鍌欒兌缁垶骞愰崨濠庢闁归棿绀侀悡鏇㈡倵閿濆骸浜炵紒鈾€鍋撶紓浣哄亾濠㈡﹢藝鏉堚晛顥氶柛褎顨嗛悡娑樏归敐鍥╂憘闁搞倖鐟╅弻锝夋晲閸パ冨箣閻庤娲栭妶绋款嚕閹绢喖惟闁挎棁濮ら悵婊堟⒒閸屾瑨鍏岄弸顏堟煛閸偄澧い顐g箞婵℃悂鍩℃担鍕撳洦鐓ラ柡鍥╁仜閳ь剙缍婇崺娑㈠箳閹炽劌缍婇弫鎰板川椤斿吋娈橀梻浣告憸閸犳捇宕戦妶澶婅摕婵炴垯鍨圭猾宥夋煃瑜滈崜鐔煎箖瑜旈幃娆撳传閸曞函绠撻弻鐔兼偋閸喓鍑$紓浣插亾闁告劏鏂傛禍婊堟煛閸愩劌鈧懓鈻嶉弴銏$厱婵☆垵顕ф慨宥嗘叏婵犲嫮甯涚紒妤冨枛瀹曟儼顦叉い顐熸櫇缁辨挻鎷呴崜鍙壭ㄩ梺杞扮椤兘鐛崘顔筋€愮紓浣哄У缁嬫垿鍩ユ径濞炬瀻闁瑰瓨绻傜粻鐐烘⒒閸屾瑧顦﹂柣銈呮搐铻為柛鏇ㄥ€犲☉妯滄棃宕ㄩ姘便偊婵犲痉鏉库偓鏇㈠箠韫囨稑纾归柛顭戝亝閸欏繑淇婇婊冨付濞存粓绠栭幃妤€顫濋悙顒€顏�
卢凯旋1,2, 李国清3, 陈正超1, 昝露洋1,2, 李柏鹏1, 高建威1
1. 中国科学院遥感与数字地球研究所, 北京 100094;
2. 中国科学院大学资源与环境学院, 北京 100094;
3. 河南省遥感测绘院, 郑州 450003
2019年1月23日 收稿; 2019年3月20日 收修改稿
基金项目: 中国科学院A类战略性先导科技专项(XDA19080302)资助
通信作者: 陈正超,E-mail: chenzc@radi.ac.cn

摘要: 准确提取钢铁厂对去产能监测和环境保护具有重要意义。传统的人工目视解译方法效率低、成本高,无法满足开展大区域钢铁厂监测的需求。以深度学习目标检测网络SSD为基础,构建面向遥感影像钢铁厂提取的深度学习目标检测网络,提出maxout模块,将负样本通路优化为多分支结构,突出难分负样本特征并提升网络对无用特征的抵制效果。利用国产GF-1数据对京津冀地区的钢铁厂进行快速自动提取实验。与人工解译的钢铁厂点位数据的对比表明,该目标检测方法的提取精度达到80%以上。
关键词: 深度学习GF-1遥感影像钢铁厂提取京津冀地区maxout模块目标检测
Extraction of steel plants based on optimized SSD network incorporating negative sample's multi channels
LU Kaixuan1,2, LI Guoqing3, CHEN Zhengchao1, ZAN Luyang1,2, LI Baipeng1, GAO Jianwei1
1. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China;
2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China;
3. Institute of Remote Sensing and Surveying and Mapping Henan, Zhengzhou 450003, China


Abstract: It is important to accurately detect steel plants for capacity reduction monitoring and environmental protection. The traditional method is time-consuming and laborious, and can not be used to monitor the steel plants in large areas. We propose a stable and accurate method by adding a maxout module to SSD, namely, transforming the negative sample path into a multi-branch structure. The neural network learns abundant features of hard negative samples, and thereby increases resistance to the useless features. Meanwhile, we used the well-trained model to detect steel plants in the Jing-Jin-Ji area based on GF-1 data. The results were compared with the data of the steel plants obtained from visual interpretation. Our method detects steel plants in the Jing-Jin-Ji area with an accuracy of more than 80%.
Keywords: deep learningGF-1 datasteel plant detectionJing-Jin-Ji areamaxout moduleobject detection
钢铁厂建造状况主要依靠地方政府和企业的上报数据,不排除存在虚报、瞒报、漏报的情况;同时,已经取得的去产能成果尚需稳固、防止反弹。因此,加强对钢铁厂的动态监测,可为国家全面掌握钢铁行业现状和去产能实施进程提供信息支撑。遥感作为一种非接触的、远距离的探测技术,具有监测范围广、周期短、成本低等特点,可作为一种客观地获取钢铁产能变化情况的技术手段。随着卫星遥感的快速发展,利用卫星遥感数据进行钢铁厂的高精度、高频次监测已经成为可能。
深度学习是人工智能中机器学习发展的新阶段[1],它利用数字计算机模型模拟人脑的多通路信息传递机制,实现输入数据的分层表达和知识推理,有效地解决了对复杂对象特征的刻画和复杂场景的关联分析等问题,在计算机视觉、语音识别、自然语言处理等领域取得很多突破性进展和大量创新应用。对于场景复杂的高分辨率遥感影像,深度学习技术相对于传统基于物理模型的信息提取技术,在效率和精度两方面都具有不可比拟的技术优势[2]。将深度学习技术应用于大区域遥感影像的钢铁厂信息提取,可显著提高钢铁厂点位识别和动态监测的效率与自动化水平。
在深度学习方法中,卷积神经网络[3](convolutional neural networks,CNN)是一种高效的自动分层特性学习框架,它在对象检测方面具有很大的潜力。近年来,卷积神经网络模型不断完善,在目标检测方面取得突破性进展,很多任务的精度已然超过人工识别精度,包括region-CNN(R-CNN)[4], spatial pyramid pooling convolutional networks (SPP-Net)[5]、fast R-CNN[6]、faster R-CNN[7]、you only look once (YOLO)[8]和single shot multibox detector(SSD)[9]等。R-CNN是第一个基于CNN的目标检测方法,R-CNN代替传统目标检测使用的滑动窗口+手工设计特征,设计了R-CNN框架,使得目标检测取得巨大突破,并开启了基于深度学习的目标检测方法研究热潮,但是R-CNN分多个阶段训练,繁琐耗时。随后提出的SPP-Net、Fast R-CNN和Faster R-CNN等方法是对R-CNN的改进,提高了目标检测的速度和精度。但是它们都是基于候选区域的目标检测算法,这类方法由于需要通过滑动窗口产生预选窗口,计算量比较大,无法达到实时的目标检测。相比较而言,YOLO系列和SSD算法是基于回归方法的目标检测算法,这类方法使用回归思想确定图像中目标边框及类别,大幅度提高了目标检测速度。其中,SSD结合YOLO中的回归思想和Faster R-CNN中的anchor机制,使用全图各个位置的多尺度区域特征进行回归,既保持了YOLO效率高的特性,也保证了窗口预测与Faster R-CNN同样精准。
近几年,遥感****在针对自然图像目标检测算法的基础上做了不同尝试和改进。大量****尝试将针对RGB三波段真彩色自然图像的神经网络引入遥感图像领域,在目标探测方面的应用效果远优于传统算法[10-14]。但是,不同于在地面上使用普通数码相机在水平视角获取的自然图像,遥感影像由遥感器从卫星或飞机对地面拍摄获取,具有观测尺度大、光照阴影差异大、地物场景复杂等特点,现有网络模型对遥感图像的理解和特征提取还存在明显不足。遥感影像的特性导致遥感大数据的目标提取和自然图像的目标提取完全不同,最突出的差异即对复杂目标的精确提取以及在大范围场景的目标自动检测。钢铁厂是集各种建筑和设施、自然地物为一体的复杂综合体,规模大小不一,空间纹理、阴影、颜色、几何特征等都千差万别,其复杂程度远远超过人脸或者汽车等自然图像目标, 如图 1所示。从数量上来讲,全国只有几百个钢铁厂,极少量样本为钢铁厂特征提取带来了极大挑战。面对综合特征如此复杂且样本不足的检测目标,本文提出改进的SSD目标检测网络,使模型更加适用于钢铁厂检测。
Fig. 1
Download: JPG
larger image
图 1 复杂的钢铁厂 Fig. 1 Complicated steel plants
图 1 复杂的钢铁厂

Fig. 1 Complicated steel plants -->

本文针对遥感影像和钢铁厂的特点,以SSD目标检测网络为基础,提出融合多分支通路负样本的SSD目标检测网络方法,通过maxout模块突出难分负样本特征,并提升网络对无用特征的抵制效果。京津冀地区遥感影像钢铁厂提取的实验结果表明,提出的方法有效减弱了混淆地物特征对钢铁厂识别的干扰,提取精度达到80%以上,相比政府部门公布的人工解译数据,此方法新检测出47个钢铁厂。
1 研究区和数据1.1 研究区选择京津冀地区作为钢铁厂提取研究区域,如图 2所示。京津冀地区是中国政治文化中心和经济发展重点区域,总面积21.8万km2,包含北京、天津、雄安新区等核心功能区。该地区土地紧缺且利用方式复杂多样,人口稠密,环境容量有限。区域经济社会的良性发展,需要人和自然环境达成和谐统一,但频发的雾霾污染事件已成为该区域经济社会进一步发展的重大障碍。钢铁行业是社会经济发展的重要组成部分,同时也是主要的大气污染源之一。提高京津冀地区的钢铁厂监测效率和精度,对于经济产业发展和环境保护都具有重要意义。
Fig. 2
Download: JPG
larger image
图 2 京津冀地区 Fig. 2 Jing-Jin-Ji area
图 2 京津冀地区

Fig. 2 Jing-Jin-Ji area -->

1.2 数据1.2.1 数据源本文采用的数据源为国产高分一号(下称GF-1)卫星数据。GF-1卫星是中国高分辨率对地观测系统的第一颗卫星,于2013年4月26日12时13分04秒由长征二号丁运载火箭成功发射。GF-1卫星搭载2台2 m分辨率全色/8 m分辨率多光谱相机,4台16 m分辨率多光谱相机,宽幅多光谱相机幅宽达到800 km。
1.2.2 样本与测试数据以人工解译的全国钢铁厂点位为基础,总共获得450个钢铁厂点位,其中京津冀地区118个钢铁厂,非京津冀地区存在332个钢铁厂点位。利用非京津冀地区的332个钢铁厂点位制作训练样本,样本制作主要考虑以下因素:
1) 考虑到钢铁厂面积较大,一般钢铁厂的实际长宽达到1~3 km,为了在包含钢铁厂整体特征的情况下,保证钢铁厂纹理清晰、特征明显,选取空间分辨率为2 m的GF-1影像,并且以钢铁厂坐标为中心点裁剪GF-1影像生成一系列2 500×2 500的样本影像。
2) 考虑到钢铁厂局部特征(比如生产线设施、高架建筑等)的非典型性以及相互之间的差异性,选择钢铁厂的整体特征作为检测对象进行样本标记,以最小外接矩形标记钢铁厂区域,避免多余背景对钢铁厂特征造成影响;
3) 考虑到钢铁厂从建造到投入生产随时间变化显著,特征具有较强的时间相关性,为了丰富训练样本的多样性,利用2013—2017年5年间的多时相GF-1影像用于样本标记。
基于以上原则,共制作1 329张钢铁厂训练样本,200张验证样本。京津冀地区的测试数据同样为空间分辨率为2 m、切片大小为2 500×2 500的GF-1影像,总共19 192张,成像时间为2017年6月。
2 方法本文基于深度学习网络提取京津冀地区的钢铁厂,过程如图 3所示。首先,对GF-1影像进行预处理;然后基于影像制备样本,得到训练集和验证集,在训练之前,基于SSD目标检测网络添加maxout模块,构建面向钢铁厂提取的目标检测网络结构;最后,通过网络训练得到最优检测模型对京津冀地区进行钢铁厂检测,得到该地区钢铁厂的分布与数量。
Fig. 3
Download: JPG
larger image
图 3 京津冀地区钢铁厂提取流程 Fig. 3 Flow chart of steel plant extraction in Jing-Jin-Ji area
图 3 京津冀地区钢铁厂提取流程

Fig. 3 Flow chart of steel plant extraction in Jing-Jin-Ji area -->

2.1 Maxout模块本文使用VGG16[15]作为特征提取的基础网络,VGG16网络在计算机领域表现优秀,主要用来提取目标的低层特征。VGG16的网络层主要由卷积层、激活层以及池化层组成。卷积层用来抽象目标的特征,卷积核设为3,步长设为1,像素扩充设为1,用来保持卷积过后特征图的图像分辨率。激活层用来减少网络参数的相互依存关系,缓解过拟合问题。池化层用来降低特征图维度,减少数据量,使用的池化方法是最大池化,其中卷积核设为2,步长设为2,像素扩充设为0。随着网络的深入,每个网络层生成的特征图图像分辨率逐渐降低,特征图感受野越来越大。原始的SSD网络在VGG16基础上额外添加4个卷积层,加上VGG16的2个卷积层,总共生成6个卷积层,用于检测不同尺度下的目标,称为“预测层”。
由于钢铁厂样本较少,5年的多时相遥感GF-1数据虽然使样本数量扩大5倍,同时SSD网络的数据增强模块也能大大增加样本的多样性,但样本数依然远远不够。钢铁厂要素繁杂,在正样本不足的情况下,模型训练过程中不能充分学习到属于钢铁厂本身的特征。另外,遥感影像背景复杂导致大多数负样本是简单易分的,无法有效抵制干扰信息,这些因素会导致模型检测出大量的非钢铁厂混淆地物。因此,在正样本缺乏的情况下,增强负样本即遥感背景的抵制效果,对于提升钢铁厂这类综合复杂目标的检测精度尤为重要。
基于以上考虑,本文在SSD网络每个尺度预测层下增加maxout模块,即将负样本通路变成多分支结构,选取与钢铁厂特征混淆的负样本输入网络和正样本一起对模型进行强化训练,从而解决负样本误报的问题以提高对钢铁厂的识别能力。
传统SSD的预测层会产生大量先验框,计算先验框与真值的重叠度,根据重叠度大于阈值(0.5)来判断该先验框为正样本,反之则为负样本。然后计算负样本的置信度损失,获取置信度损失较大的一些负样本,损失越大说明越难训练,也就是寻找难分负样本,最后计算正样本的位置损失以及正负样本的分类损失来确定最终的反传损失。在这个过程中,maxout模块的作用在于提供更多的负样本通路选择,通过eltwise max层获取准确的难分负样本,提升模型抑制无用特征的能力。根据以上原则,在原始SSD结构(图 4(a))上提出增加二分支(图 4(b))、三分支(图 4(c))、四分支(图 4(d))和五分支(图 4(e))负样本通道的maxout模块。
Fig. 4
Download: JPG
larger image
图 4 不同分支数的负样本通道maxout模块 Fig. 4 Negative sample channel maxout module with different numbers of branches
图 4 不同分支数的负样本通道maxout模块

Fig. 4 Negative sample channel maxout module with different numbers of branches -->

2.2 网络训练SSD网络所包含的参数量非常大,使用少量的钢铁厂训练样本进行网络初始化会导致网络严重过拟合。由于遥感影像和普通图像的颜色纹理等低层特征是比较相似的,于是迁移ILSVRC CLS-LOC数据集得到的预训练模型VGG16用来提取样本的低层特征,与随机初始化的模型相比,预训练模型不仅增加了模型的精度,也节省了训练时间。
本研究中,使用SSD网络前端的数据增强模块,用于增加样本的多样性,减缓小样本造成的过拟合现象。数据增强模块包括颜色亮度饱和度变换、翻转、随机裁剪放大以及缩小等操作。数据增强后的图片统一重采样到1 024×1 024×3的大小,然后输入到模型进行训练,网络模型通过反向传播算法迭代更新每一层参数。目标检测网络参数设置如表 1所示。在合理的范围内,增大批处理参数batch_size可以提高内存利用率,提高大矩阵乘法的并行化效率,考虑到输入影像的尺寸和GPU的显存大小,将batch size设为4;另外,基础学习率base_lr设为0.001,最大迭代次数max_iter为100 k,gamma系数、动量momentum和权重衰减参数weight_decay分别设为0.1、0.9和0.000 5;学习率learning rate采用均匀分步更新策略,当迭代次数低于40 000时,学习率为基础学习率0.001;当迭代次数大于40 000小于60 000时,学习率变为0.000 1;当迭代次数高于60 000时,学习率设为0.000 01。
Table 1
表 1 网络参数设置Table 1 Network parameter setting
参数 参数设置
batch size 4
batch_lr 0.001
max_iter 100 000
gamma 0.1
momentum 0.9
weight_decay 0.000 5
0.001(iter < 40 000)
learning rate 0.000 1(40 000 < iter < 60 000)
0.000 01(60 000 < iter)

表 1 网络参数设置Table 1 Network parameter setting

本文训练网络模型的软件框架为Caffe,硬件环境为4个12 G显存的NVIDIA Titan XP GPU、CUDA2.0以及Intel Xeon E5 CPU,训练10万次需要48 h,得到充分训练后的模型后再将其用于京津冀地区钢铁厂的检测。
2.3 精度评价方法模型的精度评价方式是使用深度学习领域目标检测网络的常用指标:精度Precision、召回率Recall和F1分数等,分别定义如下:
${\rm{ Precision }} = \frac{{{T_{\rm{P}}}}}{{{T_{\rm{P}}} + {F_{\rm{P}}}}}, $ (1)
${\rm{Recall }} = \frac{{{T_{\rm{p}}}}}{{{T_{\rm{p}}} + {F_{\rm{N}}}}}, $ (2)
${F_1} = \frac{2}{{\frac{1}{{{\rm{ Precision }}}} + \frac{1}{{{\rm{ Recall }}}}}}.$ (3)
式中:TP表示目标实质为钢铁厂且被正确检出,FP表示目标实质不是钢铁厂但被错误检出,FN表示目标实质为钢铁厂但未被检出。F1分数则是综合考虑精度和召回率的性能指标。对于不同的置信度阈值,精度、召回率以及F1分数会随之变化,本文以0.05的步长逐步增加置信度阈值(0.5~0.95),记录模型在不同置信度阈值下的检测性能。
3 实验和结果3.1 模型性能使用同样的数据(1 329张训练样本,200张验证样本)分别训练未添加maxout模块的原始SSD目标检测模型以及分别添加二分支、三分支、四分支、五分支负样本通道的maxout模块的新SSD目标检测模型,分析不同模型在钢铁厂上的检测性能。
3.1.1 平均精度均值(mAP)为降低其他因素的影响,除maxout模块之外的网络结构参数保持一致,通过GPU和Cuda训练模型,迭代次数达到10万次后停止,训练过程中的mAP曲线如图 5所示。针对同一数据集,不同网络在训练过程中随迭代次数变化的mAP不同,从结果来看,添加三分支负样本通道的网络准确度最高,在10万次迭代后准确度上升到81.2%,分别比添加二分支、四分支和五分支负样本通道的网络精度高出5.7%、3.0%和5.3%。另外,未添加maxout模块的原始SSD网络最佳准确度为75.5%,低于添加maxout模块的SSD网络。
Fig. 5
Download: JPG
larger image
图 5 不同结构网络训练的mAP曲线 Fig. 5 The mAP curves of differently designed CNN architectures
图 5 不同结构网络训练的mAP曲线

Fig. 5 The mAP curves of differently designed CNN architectures -->

3.1.2 验证集精度、召回率和F1分数不同的网络模型经过10万次迭代训练完成后,在不同置信度阈值(0.5~0.95)设置下,利用模型对验证集中钢铁厂样本进行检测,通过检测结果计算不同阈值下的精度、召回率和F1分数来比较不同模型的检测性能。
精度、召回率和F1分数随置信度阈值变化曲线分别如图 6(a)6(b)6(c)所示。从图中可以看出,较低的置信度阈值,比如0.5,对应着高召回率和低精度;较高的置信度阈值,比如0.85,对应着低召回率和高精度。5种模型中,添加三分支负样本通道的maxout模块的网络性能最佳,精度最高达到92.8%、召回率保持在97.7%以上、F1分数最高达到95.5%;添加二、四、五分支负样本通道的maxout模块的网络性能其次,精度分别最高达到88.6%、92.2%、91.7%,召回率分别保持在97.0%、97.0%、97.0%,F1分数分别最高达到93.4%、94.5%、94.2%;未添加maxout结构的网络性能最差,精度最高达到71.4%、召回率保持在96.3%以上、F1分数最高达到93.1%。
Fig. 6
Download: JPG
larger image
图 6 不同置信度阈值下的网络性能 Fig. 6 Precisions, recall rate, and F1-scores at different confidence thresholds
图 6 不同置信度阈值下的网络性能

Fig. 6 Precisions, recall rate, and F1-scores at different confidence thresholds -->

综上所述,添加maxout模块的网络比未添加的网络在精度、召回率和F1分数上的表现都好得多,其中添加三分支负样本通道的网络性能最佳,而添加四分支负样本通路的网络比添加五分支负样本通道的网络性能稍微优秀一点。通过给网络添加其他不同数量分支负样本进行实验,实验结果表明在当前样本下,添加三分支负样本通道的网络性能最佳,同时在不断增加分支的情况下,网络的性能呈略微下降的趋势。
结合实验结果和maxout模块增强难分负样本特征的原理,可以得到,在正样本数量有限的情况下,最佳的负样本通道分支数量是有限制的。适当地增加负样本通道分支,能有效突出难分负样本特征,增强目标检测网络对无用特征的抵制效果,提升网络对钢铁厂的检测性能。但是,由于钢铁厂是一种具有复杂要素的综合地物,不仅包含生产线设施等独特特征,还包含容易与其他地物混淆的建筑物等特征。过度增加负样本分支通道,会导致网络对背景中与钢铁厂局部易混淆特征产生抵制,这会影响网络对正样本的局部特征判断,从而造成检测精度下降。
3.2 京津冀地区钢铁厂检测结果通过以上实验,本文选择检测性能最好的目标检测模型,即添加三分支负样本通道的SSD网络对京津冀地区进行钢铁厂检测。检测数据为GF-1遥感影像,空间分辨率为2 m,切片大小为2 500×2 500,总共19 192张,使用4个GPU能在2 h内完成检测任务。
在钢铁厂检测的应用场景中,钢铁厂召回率的优先级比精度更高,本文选择较低的置信度阈值,将模型的置信度阈值设置为0.6进行检测,最终得到京津冀钢铁厂的检测结果如下:共检测出205个钢铁厂,通过人工解译误判为40个,检测精度达到80.5%。同时将结果与行业部门目视解译京津冀地区118个钢铁厂点位进行对比,深度学习目标检测模型在其基础上新检测出47个钢铁厂,如图 7(a)7(b)所示。从京津冀地区的钢铁厂检测实验结果可知,增加maxout模块的新目标检测网络检测钢铁厂的精度达到80%以上。
Fig. 7
Download: JPG
larger image
图 7 京津冀钢铁厂检测结果 Fig. 7 Detection results of steel plants in Jing-Jin-Ji area
图 7 京津冀钢铁厂检测结果

Fig. 7 Detection results of steel plants in Jing-Jin-Ji area -->

4 结论本文通过分析遥感影像和钢铁厂特性,在SSD目标检测网络的基础上添加maxout模块,通过增加负样本通道分支数加强网络对无用特征的抵制作用,构建融合遥感特征的深度学习目标检测网络,大大提升了钢铁厂的检测精度。同时,该网络在京津冀地区的钢铁厂检测任务中取得较好的效果,与人工解译的钢铁厂结果相比,目标网络检测精度为80.5%,并且新检测出47个钢铁厂。实验证明利用深度学习方法在海量遥感影像数据中快速识别复杂度目标具备可行性。考虑到遥感影像中钢铁厂检测的难度,本文提出的目标检测方法对于提高大区域钢铁厂检测的效率具有重要意义。同时,此方法可以推广到与钢铁厂类似的其他“三高”(高污染、高耗能、高耗水)企业检测任务中,进一步提升去产能监控和环境保护力度。
由于钢铁厂的正样本数量极少,只是增强负样本的抵制作用无法更有效地提升该目标检测网络的精度。但是考虑到钢铁厂特征要素丰富,今后将主要针对钢铁厂本身的局部特征进行网络结构优化,进一步提升钢铁厂整体特征的识别精度。
参考文献
[1] Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554. Doi:10.1162/neco.2006.18.7.1527
[2] 张兵. 遥感大数据时代与智能信息提取[J]. 武汉大学学报, 2018, 43(7): 1861-1871.
[3] LeCun Y, Touresky D, Hinton G, et al. A theoretical framework for back-propagation[C]//Proceedings of the 1988 Connectionist Models Summer School. CMU, Pittsburgh, Pa: Morgan Kaufmann, 1998, 1: 21-28.
[4] Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2014: 580-587.
[5] He K, Zhang X, Ren S, et al. Pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9): 1904-1916. Doi:10.1109/TPAMI.2015.2389824
[6] Girshick R. Fast R-CNN[C]//Proceedings of the IEEE International Conference on Computer Vision, 2015: 1440-1448.
[7] Ren S, He K, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[C]//Advances in Neural Information Processing Systems, 2015: 91-99.
[8] Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016: 779-788.
[9] Liu W, Anguelov D, Erhan D, et al. SSD: single shot multibox detector[C]//European Conference on Computer Vision. Springer, Cham, 2016: 21-37.
[10] Wang S, Quan D, Liang X, et al. A deep learning framework for remote sensing image registration[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 145: 148-164. Doi:10.1016/j.isprsjprs.2017.12.012
[11] Xu Z, Xu X, Wang L, et al. Deformable convnet with aspect ratio constrained nms for object detection in remote sensing imagery[J]. Remote Sensing, 2017, 9(12): 1312. Doi:10.3390/rs9121312
[12] Xu K F, Lei B, Zhang Y T. Retrieval of land surface emissivity using spectral and texture features based on neural network[J]. Journal of University of Chinese Academy of Sciences, 2018, 35(1): 102-108.
[13] 李松, 魏中浩, 张冰尘, 等. 深度卷积神经网络在迁移学习模式下的SAR目标识别[J]. 中国科学院大学学报, 2018, 35(1): 75-83.
[14] 朱思捷, 雷斌, 吴一戎. 基于稠密卷积神经网络的遥感图像自动色彩校正[J]. 中国科学院大学学报, 2019, 36(1): 93-100.
[15] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. Eprint Arxiv, 2014, 30: 1409-1556.


相关话题/网络 遥感 数据 图像 分数