王海燕 侯康

DOI： 10.3969/j.issn.1671-7775.2024.03.011

開放科學(xué)（資源服務(wù)）標識碼（OSID）：

摘要： 為了提高林區(qū)山地輸電線路軌道運輸裝備運行安全性，搭建基于圖像識別的軌道運輸裝備安全檢測系統(tǒng).首先給出整個林區(qū)山地輸電線路軌道運輸裝備電控系統(tǒng)；其次介紹了感知模塊系統(tǒng)所用到的各類傳感器；然后基于拆分注意力網(wǎng)絡(luò)和自校準卷積的融合，采用Faster-RCNN算法得到更好的特征提取，并采用此改進的Faster-RCNN算法進行裝備周圍人員識別試驗；最后基于QT開發(fā)輸電線路軌道運輸裝備遠程控制軟件，并實現(xiàn)對裝備的遠程操控.結(jié)果表明：改進的Faster-RCNN算法在林區(qū)山地強光照和復(fù)雜環(huán)境下能夠大幅度提高識別裝備周圍人員的準確性，圖像識別平均精度均值mAP可達87.13%，高于常規(guī)Faster-RCNN的74.35%和級聯(lián)Faster-RCNN的76.28%，充分證明改進的Faster-RCNN算法具備優(yōu)良識別能力，保障林區(qū)山地輸電線路軌道運輸裝備安全運行.

關(guān)鍵詞：? 輸電線路建設(shè)； 軌道運輸裝備； 圖像識別； 感知系統(tǒng)； 安全檢測； 改進的Faster-RCNN； 拆分注意力網(wǎng)絡(luò)； 自校準卷積

中圖分類號： TP23; TP391.4? 文獻標志碼：? A? 文章編號：?? 1671-7775（2024）03-0323-07

引文格式：? 王海燕，侯? 康. 基于圖像識別的輸電線路軌道運輸裝備安全檢測系統(tǒng)［J］.江蘇大學(xué)學(xué)報（自然科學(xué)版），2024，45（3）：323-329.

收稿日期：?? 2023-09-21

基金項目：? 中國南方電網(wǎng)有限責(zé)任公司科技項目（031300KK52190154）； 海南省重點研發(fā)計劃項目（ZDYF2021GXJS213）

作者簡介：?? 王海燕（1983—），女，江西吉安人，高級工程師（94231762@qq.com），主要從事電力系統(tǒng)裝備研究.

侯? 康（1987—），男，貴州遵義人，高級工程師，博士（通信作者，hk0001876@126.com），主要從事智能算法、自動控制、先進機器人技術(shù)研究.

Safety detection system of rail transportation equipment for

transmission lines based on image recognition

WANG Haiyan1， HOU Kang2，3，4

（1. Huizhou Power Supply Bureau， Guangdong Power Grid Co.， Ltd.， Huizhou， Guangdong 516003， China; 2. School of Mathematical Sciences， Soochow University， Suzhou， Jiangsu 215031， China; 3. Kunshan Industrial Technology Research Institute Co.， Ltd.， Suzhou， Jiangsu 215316， China; 4. Institute of Semiconductors， Chinese Academy of Sciences， Beijing 100083， China）

Abstract： To improve the operational safety of rail transportation equipment for mountainous transmission lines in forest areas， the safety detection system of rail transportation equipment based on image recognition was established. The electronic control system of rail transportation equipment for mountainous transmission lines in the forest areas was provided， and the various sensors used in the perception module system were introduced. The Faster-RCNN algorithm based on the combination of split-attention networks and self-calibration convolutions was applied to obtain better feature extraction， and the improved Faster-RCNN algorithm was used for the surrounding personnel recognition experiments. The remote control software of rail transportation equipment for transmission lines was developed based on QT， and the remote control of the equipment was realized. The results show that the improved Faster-RCNN algorithm can significantly improve the accuracy of identifying personnel around equipment in strong lighting and complex environments of forest areas. The mean average precision of image recognition can reach 87.13%， which is 74.35% higher than conventional Faster-RCNN and 76.28% higher than cascaded Faster-RCNN. The results fully prove that the improved Faster-RCNN algorithm has excellent recognition ability and ensures the safe operation of railway transportation equipment for mountainous transmission lines in forest areas.

Key words：? transmission line construction; rail transportation equipment; image recognition; perception system; safety detection; improved Faster-RCNN; split-attention network; self-calibrated convolution

隨著西電東送等越來越多偏遠電力資源豐富地區(qū)向電力緊缺地區(qū)輸送電工程的發(fā)展，為了減小輸送過程中的電力損耗通常通過高壓特高壓線路經(jīng)過直線式的遠距離輸電，都會在偏遠林地山區(qū)進行高壓電塔的建設(shè)以保證電力的高效傳輸，而如何將高壓電塔塔材運輸?shù)狡h山區(qū)的山上建塔地點就成了比較棘手的問題.輸電線路塔材相對于山區(qū)果物、農(nóng)物的運輸，有運輸貨物重、臨時機動強等特點，所以下面擬對現(xiàn)有的山區(qū)運輸方式進行分析，以找出一種運輸效率高、安全可靠、便于安裝拆卸的運輸方式.目前，在山區(qū)常運輸?shù)呢浳镏饕枪?、農(nóng)物和基礎(chǔ)設(shè)施材料，由于山區(qū)崎嶇的地形特點，運輸問題歷來都是研究熱點［1-2］.山區(qū)貨物運輸以輪式［3］、履帶式［4］、無人機［5］以及架空索道［6］等運輸方式為主.輪式和履帶式運輸方式占地面積大，對植被破壞大；無人機運輸成本高、飛行時間短；架空索道對安裝要求比較高.與上述4種運輸方式相比，軌道運輸有著明顯的優(yōu)點［7］，主要包括： ① 占地面積少，軌道運輸方式通常采用在山地上支架支撐、軌道鋪設(shè)的形式，占用山區(qū)地面面積少； ② 適應(yīng)地形能力強，軌道運輸方式通過調(diào)節(jié)支架高低來減緩運輸坡度，實現(xiàn)較強爬坡能力，并且軌道設(shè)計時可設(shè)置半徑小的彎道，適應(yīng)山區(qū)不同的地形環(huán)境； ③ 行駛性能好，運輸車在軌道上進行行駛，通過牽引機進行牽引，動力足，行駛平穩(wěn)； ④ 可靠性及安全性好，在山區(qū)鋪設(shè)的軌道上運行，運行起來更安全可靠； ⑤ 安裝拆卸用時少，軌道運輸裝備的支架和軌道都是模塊化的部件，在山區(qū)安裝簡單，而且拆卸方便； ⑥ 對植被破壞少，由于軌道運輸裝備占地面積少，所以對運行路線上的植被破壞小.在山區(qū)高壓電塔架設(shè)過程中，需要將各種輸電線路材料搬運到施工現(xiàn)場進行安裝，輸電線路電塔塔材采用傳統(tǒng)的運輸方式運輸成本高、對山區(qū)植被破壞大、對運輸?shù)牡匦我蟊容^高，相較之下軌道運輸方式的優(yōu)勢明顯，所以文中采用軌道運輸裝備實現(xiàn)對輸電線路電塔塔材的運輸.

在采用軌道運輸裝備運輸輸電線路電塔塔材時，由于運輸貨物重、運行速度快，需要工作人員對軌道運輸裝備運行狀態(tài)和周圍環(huán)境進行觀察，當(dāng)遇到運行安全問題和突發(fā)情況需要工作人員手動調(diào)控軌道運輸裝備，以保證裝備的安全運行，所以這對工作人員的依賴較大.文中為了實現(xiàn)軌道運輸裝備的自主運行，通過加載各類傳感器，對運輸過程中裝備的運行情況和周邊環(huán)境感知和安全檢測保證運輸?shù)陌踩裕瑸檩旊娋€路軌道運輸裝備自動行駛打下堅實的基礎(chǔ).

圖像識別大多采用深度學(xué)習(xí)方法來實現(xiàn)［8-9］.Faster-RCNN（region-based convolutional neural network）作為目標檢測算法，它使用卷積神經(jīng)網(wǎng)絡(luò)進行特征提取，并使用區(qū)域建議網(wǎng)絡(luò)生成一系列候選框（錨點），然后對這些框進行分類和回歸，以實現(xiàn)目標檢測任務(wù).其他常用的圖像檢測方法中，YOLO（you only look once）算法具有檢測速度快但精度低的特點［10］；SSD（single shot multibox detector）算法具有較高的檢測速度和較低的計算資源消耗，但其檢測小型物體的能力有限；DETR （detection with transformers）具有更高的準確性和魯棒性，但它需要更多的計算資源和時間［11］.與其他物體檢測算法相比，F(xiàn)aster-RCNN的優(yōu)勢在于它具有更高的準確性和魯棒性，適用于檢測位于光線強烈、環(huán)境復(fù)雜的山地林區(qū)軌道運輸裝備周圍的物體.盡管SSD、YOLO和DETR算法具有計算速度快的優(yōu)點，但Faster-RCNN適用于低速運輸設(shè)備的檢測系統(tǒng).因此，文中將Faster-RCNN算法應(yīng)用于軌道運輸裝備周圍人員的圖像識別.

文中研究的林區(qū)山地輸電線路軌道運輸裝備相較于現(xiàn)有的林區(qū)山地軌道運輸裝備具有載荷量大的特點，為了保證運行安全，其在控制的自動化、智能化和可靠性上要求更高.文中首先給出整個林區(qū)山地輸電線路軌道運輸裝備電控系統(tǒng)；其次介紹了感知模塊系統(tǒng)所用到的各類傳感器；然后基于拆分注意力網(wǎng)絡(luò)和自校準卷積的融合，采用Faster-RCNN算法得到更好的特征提取，并采用此改進的Faster-RCNN算法進行野外強光照、環(huán)境復(fù)雜的山地林區(qū)環(huán)境下裝備周圍人員識別試驗；最后基于QT開發(fā)輸電線路軌道運輸裝備遠程控制軟件，并實現(xiàn)對裝備的遠程操控.

1? 軌道運輸裝備電控系統(tǒng)分析

林區(qū)山地輸電線路軌道運輸裝備系統(tǒng)主要由牽引機、拖車和軌道（含支架）3部分構(gòu)成，如圖1所示.

拖車主要是用來承載貨物，不涉及動力輸出，作為從動系統(tǒng)被牽引機牽引運動，其不涉及運動控制，牽引機可以前后運動，所以拖車也可以在軌道上前進和倒退運動.軌道作為載體，牽引機和拖車可以在其上面運動，其也不涉及運動控制，通過地面上支架的支撐實現(xiàn)軌道距地面一定高度，保證裝備運行的穩(wěn)定性.因此，本節(jié)主要分析輸電線路軌道運輸裝備牽引機的電控單元.

牽引機采用22 kW直流有刷電動機提供動力，72 V電池電源供電；增配汽油增程器，在工作時進行供給電源充電作業(yè)，以補充蓄電池電源電量，提高裝備的續(xù)航時間.在牽引機上安裝了控制箱，如圖2所示，可以實現(xiàn)對軌道運輸裝備牽引機的手動控制，并簡單顯示運行過程中的裝備狀態(tài)情況，主要包含電池容量表、電源鑰匙開關(guān)、點動制動開關(guān)、調(diào)速開關(guān)、電壓表、汽油機開關(guān)、急停開關(guān)等.

電池容量表顯示當(dāng)前電池總?cè)萘?，以百分比顯示，實時掌握電量情況.點動制動開關(guān)實現(xiàn)裝備緩慢小步移動，起到短距離調(diào)整機器位置的作用.調(diào)速開關(guān)作用為調(diào)整牽引機的行駛速度.電壓表顯示設(shè)備工作電壓.汽油機開關(guān)作用為控制汽油增程器的啟停.緊急制動開關(guān)為緊急情況總設(shè)備的總電源開關(guān)，在緊急情況下可以立即制動.

牽引機控制箱上的速度控制、啟動控制還停留在手動控制階段，后面筆者設(shè)計了輸電線路軌道運輸裝備安全檢測系統(tǒng)以實現(xiàn)整套裝備的自主感知和安全運行，并通過遠程控制系統(tǒng)實現(xiàn)遠程可視化自動控制.

2? 感知模塊系統(tǒng)

輸電線路軌道運輸裝備自主控制感知模塊系統(tǒng)主要包含6個部分：速度系統(tǒng)、稱重系統(tǒng)、環(huán)境系統(tǒng)、坡度系統(tǒng)、位置系統(tǒng)和自動停車系統(tǒng).

速度系統(tǒng)是在裝備車輪上加裝轉(zhuǎn)速傳感器，并由單片機通過傳感器得到裝備實際速度、計算控制量發(fā)送指令給直流電動機驅(qū)動器對其進行控制，以此組成控制裝備運動速度的閉環(huán).通過在單片機內(nèi)運行PID算法進行裝備速度的閉環(huán)控制，輸入量為車輪的期望轉(zhuǎn)速和實際轉(zhuǎn)速，輸出量為控制電動機運動量，以實現(xiàn)裝備在軌道上達到期望的運行速度.

稱重系統(tǒng)是對輸電線路電塔塔材的質(zhì)量進行實時監(jiān)測，一是對單次運輸?shù)牟牧线M行稱重，避免出現(xiàn)超載情況和記錄運載量便于進行工程結(jié)算，二是防止運輸過程中有輸電線路材料遺落而未發(fā)現(xiàn)；通過在車廂中加裝稱重傳感器，實時感知輸電線路材料的質(zhì)量.

環(huán)境系統(tǒng)在牽引機上安裝了前視攝像頭和后視攝像頭，分別用于觀察前方運行環(huán)境、后方的運輸貨物和環(huán)境，圖3為軌道運輸裝備以及前視、后視攝像頭實時采集的圖像.

坡度系統(tǒng)采用角度姿態(tài)傳感器感知整個路線軌道的坡度，通過設(shè)計不同的軌道坡度對應(yīng)不同的速度，這樣可以實現(xiàn)在坡度大的地方小速度大力矩通過，在坡度小的地方大速度小力矩通過，以保證裝備運行的可靠穩(wěn)定.

位置系統(tǒng)采用RFID（射頻識別）位置感應(yīng)系統(tǒng)，在軌道上安裝位置電子標簽并進行編號，牽引機下方安裝RFID感應(yīng)傳感器，當(dāng)牽引機運行到某個位置電子標簽上方，感應(yīng)傳感器即可感應(yīng)到信號，以此獲得裝備在軌道上的位置信息.

自動停車系統(tǒng)在運輸裝備運動到目的地后通過限位器進行限位控制，運輸裝備不再輸出動力，并進行電磁剎制動，以實現(xiàn)運輸裝備的停車.

3? 安全檢測圖像識別

輸電線路軌道運輸裝備在運行過程中，為了保證其運行的安全性，當(dāng)遇到障礙物時裝備應(yīng)自動感知并進行安全處理.

為了有效地感知運行中裝備的周圍環(huán)境，文中采用圖像識別的方法檢測周圍的異常及障礙物.由于輸電線路軌道運輸裝備的運輸質(zhì)量大，在運行過程中要保證其安全性，尤其須保證周邊經(jīng)過人員要在安全距離外.文中通過攝像頭實時識別裝備周邊人員，然后裝備會發(fā)出提示音，告知周邊人員須遠離運行中的軌道運輸裝備.

文中采用改進的Faster-RCNN算法對軌道運輸裝備的周邊人員進行識別.Faster-RCNN算法［12］主要用于對動態(tài)攝像頭采集的圖像進行目標檢測，比如對圖像中人員的識別.RCNN和Fast-RCNN通常采用選擇性搜索（selective search）提取候選框，這是比較傳統(tǒng)的方法，運算耗時比較長.改進的Faster-RCNN基于特征學(xué)習(xí)，提出區(qū)域建議網(wǎng)絡(luò) RPN（region proposal network）［13］，主要思想是利用Fast-RCNN為RPN提供少而準確的候選邊界框，實現(xiàn)了端到端訓(xùn)練，相較于傳統(tǒng)的RCNN和Fast-RCNN，提高了目標圖像識別的速度和精度［14］.

Faster-RCNN是一種目標圖像識別算法，可以分為4個主要模塊： ① 卷積層通過使用一組基礎(chǔ)的卷積線性整流池化層提取圖像的特征圖，特征圖將在后面的RPN層和全連接層用到； ② 區(qū)域建議網(wǎng)絡(luò)RPN用于取代傳統(tǒng)的方法來產(chǎn)生區(qū)域建議，利用邊界框回歸修正獲得精確的建議； ③ 感興趣區(qū)域池化層收集輸入的特征圖和建議，綜合這些信息后提取建議特征圖，送入后續(xù)全連接層判定目標類別； ④ 分類器主要是通過全連接層對目標建議分類和對邊界框位置進行修正.Faster-RCNN的結(jié)構(gòu)見圖4.

在Faster-RCNN中采用RPN提取候選框.RPN耗時少，而且很容易結(jié)合到Faster-RCNN中成為一個整體.作為一個全卷積網(wǎng)絡(luò)，RPN能夠同時預(yù)測每個位置目標的邊界（object bound）和目標；Faster-RCNN使用RPN，通過端到端的訓(xùn)練可以生成高質(zhì)量的區(qū)域建議.

RPN的網(wǎng)絡(luò)結(jié)構(gòu)見圖5.

由圖5可見，RPN網(wǎng)絡(luò)通過滑動窗口生成候選錨點，對應(yīng)生成256幅特征圖，通過分類層的得分參數(shù)和回歸層的目標參數(shù)，并結(jié)合預(yù)測分類和框位置，剔除越界錨點、框回歸偏移，得到真正的建議，作為Faster-RCNN的輸入，根據(jù)以上信息預(yù)測結(jié)果.

針對裝備運行環(huán)境多為山地林區(qū)，存在強光照和復(fù)雜環(huán)境的特點，文中采用改進的拆分注意力網(wǎng)絡(luò)（split-attention networks， ResNeSt）［15］作為特征提取網(wǎng)絡(luò)，通過拆分注意力模塊將特征映射分割成更小的單元，每個單元的特征由其分割決定的權(quán)重來確定，如圖6所示，并結(jié)合自校準卷積，實現(xiàn)在卷積層的自適應(yīng)，達到動態(tài)變換，得到更好的特征.

采用損失函數(shù)訓(xùn)練RPN，將RPN產(chǎn)生的候選框與真實框進行匹配，從而使得RPN能夠更好地定位目標.RPN損失函數(shù)為

L（{pi}，{ti}）=1Ncls∑iLcls（pi，p*i）+

λ1Nreg∑ip*iLreg（ti，t*i），（1）

Lcls（pi，p*i）=-［p*ilog pi+（1-p*i）log（1-pi）］，（2）

Lreg（ti，t*i）=∑iSmoothL1（ti-t*i），（3）

SmoothL1（x）=0.5x2，x<1，

x-0.5，其他，（4）

式中： L（{pi}，{ti}）為RPN損失；Lcls（pi，p*i）為分類損失；Lreg（ti，t*i）為回歸損失；pi為真實類別的概率；p*i為建議類別；ti為邊界框的修正參數(shù)；Ncls為樣本數(shù)量；Nreg為特征圖中像素點數(shù)；λ為相關(guān)系數(shù).

模型評價采用分類精度AP（average precision）和平均精度均值mAP（mean average precision）作為評價指標.AP是針對單個類別的精度，計算式為

AP=TPTP+FP，（5）

式中： TP、FP分別為真正數(shù)、假正數(shù).

mAP是針對總類別的精度，計算式為

mAP=1M∑Mi=1APi，（6）

式中：M為總類別數(shù).

改進的Faster-RCNN在caffe深度學(xué)習(xí)框架下，在內(nèi)存32 GB、處理器Intel（R） Core（TM） i7-8750、主頻2.2 GHz的運行環(huán)境中，通過對大量圖像數(shù)據(jù)模型的訓(xùn)練，針對輸電線路軌道運輸裝備上攝像頭的圖像識別周邊人員.這里使用CUHK-SYSU數(shù)據(jù)集與現(xiàn)場采集圖像數(shù)據(jù)集相結(jié)合來訓(xùn)練模型，現(xiàn)場采集圖像數(shù)據(jù)集包含211張圖像和8名現(xiàn)場人員，測試集包含72張圖像和5名現(xiàn)場人員.現(xiàn)場采集圖像數(shù)據(jù)集的圖像數(shù)量遠少于CUHK-SYSU數(shù)據(jù)集，因此對整體訓(xùn)練結(jié)果的影響很小.初始學(xué)習(xí)率設(shè)置為10-3，經(jīng)過100 000次迭代后降至10-4，改進的Faster-RCNN的mAP達到了87.13%，高于常規(guī)Faster-RCNN的74.35%和級聯(lián)Faster-RCNN的76.28%.上述3種算法的訓(xùn)練損失曲線見圖7.

由圖7可見，改進的Faster-RCNN算法相較于常規(guī)Faster-RCNN和級聯(lián)Faster-RCNN的訓(xùn)練收斂速度更快，而且損失值更小.

改進的Faster-RCNN算法識別效果如圖8所示.

由圖8可見，通過大量的圖像數(shù)據(jù)訓(xùn)練以后，改進的Faster-RCNN可以在山地林區(qū)復(fù)雜環(huán)境下有效識別運行裝備周邊的人員，充分證明了其具有優(yōu)良的識別能力.當(dāng)裝備識別到周邊人員時會發(fā)出提示音，告知周邊人員遠離正在運輸作業(yè)的軌道運輸裝備.

4? 遠程控制系統(tǒng)界面

文中基于QT開發(fā)遠程控制軟件，實現(xiàn)遠程用戶與軌道運輸裝備關(guān)于運行狀態(tài)和感知信息的數(shù)據(jù)交互，系統(tǒng)界面見圖9.

輸電線路軌道運輸裝備遠程控制系統(tǒng)功能如下：控制軌道運輸裝備前視、后視攝像頭的開關(guān)，并顯示前向情況和運輸材料情況；設(shè)置路線，選擇軌道運輸裝備運行的線路；設(shè)置速度，軌道運輸裝備的運行速度設(shè)定范圍為0.3～1.2 m/s；查看記錄，可以看到設(shè)置信息、查詢操作記錄；軌道裝備實時位置圖，顯示裝備位置；實時顯示軌道運輸裝備的運行速度、載荷重量、坡度、位置信息、運行里程；切換到手動控制，通過切換鍵控制手動、自動兩種模式；停止鍵，按下后軌道運輸裝備停止運行；前進、后退鍵，可以控制裝備前進或后退；緊急停車按鈕，可以實現(xiàn)突發(fā)情況下的急停，可以解除急?；謴?fù)正常運行狀態(tài).

5? 結(jié)? 論

1） 文中深入研究輸電線路軌道運輸裝備安全檢測系統(tǒng)，對輸電線路軌道運輸裝備電控系統(tǒng)和感知模塊系統(tǒng)組成進行分析，為后續(xù)裝備的自動安全運行打下堅實的基礎(chǔ).

2） 基于圖像識別，采用拆分注意力網(wǎng)絡(luò)和自校準卷積相結(jié)合的改進Faster-RCNN算法針對野外復(fù)雜環(huán)境下運行過程中的軌道運輸裝備周邊人員識別，其mAP達到了87.13%，高于常規(guī)Faster-RCNN的74.35%和級聯(lián)Faster-RCNN的 76.28%，具有優(yōu)良的識別能力.

3） 基于QT開發(fā)輸電線路軌道運輸裝備遠程控制軟件，采集裝備的各類運行與感知數(shù)據(jù)，實現(xiàn)輸電線路軌道運輸裝備遠程操控，提高其運行安全性和可靠性.

[WT5HZ]參考文獻（References）[WT5”BZ]

［1］? 張巍，庹洪章，易文裕，等.丘陵山地農(nóng)業(yè)運輸裝備發(fā)展現(xiàn)狀及展望［J］.南方農(nóng)機，2020，51（11）：9-11，17.

ZHANG W， TUO H Z， YI W Y，et al. Development status and prospect of agricultural transport equipment in hilly and mountainous areas［J］. Forum of South China， 2020， 51（11）： 9-11，17. （in Chinese）

［2］? 康柳江，李浩，孫會君，等.復(fù)雜山區(qū)工程建設(shè)物資運輸無人機巡航模型構(gòu)建與實證研究［J］.交通運輸系統(tǒng)工程與信息，2023，23（3）：290-299.

KANG L J， LI H， SUN H J， et al. UAV cruising for material transportation under engineering construction in complex mountainous areas： modeling and case study［J］. Journal of Transportation Systems Engineering and Information Technology， 2023，23（3）：290-299. （in Chinese）

［3］? 王雅慧，化夢康，張帥昌，等.山地農(nóng)林運輸車的現(xiàn)狀分析及研究［J］.農(nóng)業(yè)與技術(shù)，2022，42（10）：53-57.

WANG Y H， HUA M K， ZHANG S C， et al. Analysis and research on current situation of mountainous agricultural and forestry transport vehicles［J］. Agriculture and Technology，2022，42（10）：53-57. （in Chinese）

［4］? 周漢林，劉華，陳中武，等.丘陵山地履帶式多功能底盤的設(shè)計［J］. 現(xiàn)代農(nóng)業(yè)裝備，2021，42（5）：56-59.

ZHOU H L， LIU H， CHEN Z W， et al. Development of tracked multifunctional chassis in hilly and mountainous regions［J］. Modern Agricultural Equipment， 2021，42（5）：56-59.（in Chinese）

［5］? 巫茜，黃浩，曾青，等.改進ACO算法的UAV航跡規(guī)劃在山區(qū)物流配送中的應(yīng)用研究［J］.重慶理工大學(xué)學(xué)報（自然科學(xué)），2022，36（10）：185-191.

WU Q， HUANG H， ZENG Q， et al. Application of UAV trajectory planning based on improved ACO algorithm in mountain logistics［J］. Journal of Chongqing University of Technology （Natural Science）， 2022，36（10）：185-191. （in Chinese）

［6］? 劉曉立，祝軍超，張媛，等.山區(qū)架空線路工程運輸方式經(jīng)濟性分析［J］.中國電力企業(yè)管理，2021（36）：74-75.

LIU X L， ZHU J C， ZHANG Y， et al. Economic analysis of transportation methods for overhead line enginee-ring in mountainous areas ［J］. China Power Enterprise Management， 2021（36）：74-75. （in Chinese）

［7］? 吳建芳，侯康，王海燕.基于多目標遺傳算法的林地山區(qū)軌道運輸裝備結(jié)構(gòu)設(shè)計與優(yōu)化［J］.中國電子科學(xué)研究院學(xué)報，2023，18（1）：66-71.

WU J F， HOU K， WANG H Y. Structural design and optimization of transmission line rail transportation equipment based on multi-objective genetic algorithm in woodland mountainous area ［J］. Journal of CAEIT， 2023，18（1）：66-71. （in Chinese）

［8］? 李曉峰，任杰，李東.基于深度強化學(xué)習(xí)的移動機器人視覺圖像分級匹配算法［J］.吉林大學(xué)學(xué)報（理學(xué)版），2023，61（1）：127-135.

LI X F， REN J， LI D. Hierarchical matching algorithm of visual image for mobile robots based on deep reinforcement learning［J］. Journal of Jilin University （Science Edition）， 2023，61（1）：127-135.（in Chinese）

［9］? 徐茂竹，李弘，李亞光，等.單目視覺引導(dǎo)下的無人艇局部避障方法［J］.重慶郵電大學(xué)學(xué)報（自然科學(xué)版），2023，35（4）：732-741.

XU M Z， LI H， LI Y G， et al. Local obstacle avoidance for unmanned surface vehicle via monocular vision［J］. Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition），2023，35（4）：732-741. （in Chinese）

［10］? 劉瀚文，王紅霞，周奎，等.YOLOv4-tiny網(wǎng)絡(luò)夜間行人檢測算法研究［J］.重慶郵電大學(xué)學(xué)報（自然科學(xué)版），2023，35（5）：908-915.

LIU H W， WANG H X， ZHOU K， et al. Research on nighttime pedestrian detection algorithm for YOLOv4-tiny network［J］. Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition），2023，35（5）：908-915. （in Chinese）

［11］? CARION N， MASSA F， SYNNAEVE G， et al. End-to-end object detection with transformers［C］∥Proceedings of the 16th European Conference on Computer Vision. ［S.l.］：Springer Science and Business Media Deutschland GmbH，2020：213-229.

［12］? 魏業(yè)文，李梅，解園琳，等.基于改進Faster-RCNN的輸電線路巡檢圖像檢測［J］.電力工程技術(shù)，2022，41（2）：171-178.

WEI Y W， LI M， XIE Y L， et al. Transmission line inspection image detection based on improved Faster-RCNN［J］. Electric Power Engineering Technology， 2022， 41（2）： 171-178. （in Chinese）

［13］? 汪常建，丁勇，盧盼成.融合改進FPN與關(guān)聯(lián)網(wǎng)絡(luò)的Faster R-CNN目標檢測［J］.計算機工程， 2022， 48（2）： 173-179.

WANG C J， DING Y， LU P C. Object detection using Faster R-CNN combining improved FPN and relation network［J］. Computer Engineering， 2022，48（2）：173-179. （in Chinese）

［14］? 郭蘭申，李楊，黃鳳榮，等.融合引導(dǎo)錨框算法的Faster-RCNN缺陷檢測［J］.機械設(shè)計與制造，2022（4）：160-164.

GUO L S，LI Y，HUANG F R， et al. Faster-RCNN part defect detection based on guided anchoring algorithm［J］. Machinery Design & Manufacture， 2022（4）：160-164. （in Chinese）

［15］? ZHANG H， WU C R， ZHANG Z Y， et al. ResNeSt： split-attention networks［C］∥Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Piscataway：IEEE Computer Society， 2022：2735-2745.

（責(zé)任編輯? 梁家峰）