基于深度分化细分神经网络的城市轨道交通中外来物体检测.

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 运输工程 运输工程

背景情况:

• 外来物体的入侵是城市铁路运输运营中的一个主要安全风险.
• 基于激光的检测系统有其局限性,包括盲点和可视化差.
• 现有的方法在准确性和环境因素方面扎.

研究的目的:

• 开发一种新的基于视频的深度分化细分神经网络,用于异物检测.
• 克服激光检测系统在城市铁路运输中的局限性.
• 提高铁路运输环境中的运营安全和效率.

主要方法:

• 将异物检测转化为使用图像分割的二进制分类问题.
• 开发了一个深度卷积细分网络,结合了通道和空间注意力模型.
• 实现背景图像的平均值以减轻气流干扰,并通过形态操作和值来精细结果.

主要成果:

• 在真实地铁平台数据上实现了95.8%的异物检测准确度.
• 与传统检测方法相比,其表现优越.
• 在异物检测方面表现优于最近的图像细分神经网络.

结论:

• 拟议的基于视频的深度细分网络为城市铁路运输中异物检测提供了高度准确和有效的解决方案.
• 这种方法显著改善了现有的基于激光系统的局限性.
• 增强的深度学习方法有助于更安全,更可靠的铁路运输运营.