基于深度学习的铁路轨道外来物体检测方法的研究
Shanping Ning1,2, Feng Ding1, Bangbang Chen1
1School of Mechatronic Engineering, Xi'an Technological University, Xi'an 710016, China.
Sensors (Basel, Switzerland)
|July 27, 2024
概括
本研究引入了用于铁路外来物体检测的深度学习方法,提高了小物体的精度和实时性能. 改进的模型通过减少检测错误来确保更安全的铁路运营.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 铁路工程 铁路工程是指铁路工程.
背景情况:
- 目前的铁路外来物体检测方法缺乏对小物体的实时性能和准确性.
- 现有的技术与复杂的环境和各种物体大小作斗争.
- 需要强大的自动检测系统来提高铁路安全.
研究的目的:
- 开发一种创新的基于视觉的感知方法,用于使用深度学习检测铁路轨道外来物体.
- 提高在铁路轨道上检测小外体的准确性和实时能力.
- 建立一个可靠的系统,以确保铁路线上的运营安全.
主要方法:
- 使用轨道检测和增强的UNet语义细分网络构建了一个铁路边界模型.
- 优化了YOLOv5s检测模型,包括SE关注,添加预测层,使用线性尺寸缩放用于框,并使用Inner-IoU.
- 提取了关键轨道特征点,并通过最小平方法推导出轨道线性方程.
主要成果:
- 语义细分模型实现了91.8%的欧盟平均交叉点 (MIoU),提高了3.9%.
- 优化的YOLOv5s检测模型显示,外来物体检测的平均平均精度 (IoU = 0.5) 增加了7.4%.
- 该模型表现出强大的概括能力,特别是对于小物体,减少错过和错误报警.
结论:
- 提出的深度学习方法有效地解决了当前铁路外来物体检测的局限性.
- 增强的基于视觉的系统显著提高了小物体的检测精度和性能.
- 这种方法提供了一个强大的解决方案,以确保铁路在复杂环境中的运营安全.
