基于MACENet的铁路轨道沿线外来物体入侵的自动检测
Xichun Chen1, Yu Tian1, Ming Li2
1School of Traffic and Transportation, Lanzhou Jiaotong University, Lanzhou, Gansu, China.
PloS one
|August 6, 2025
概括
一个新的网络,MACE-Net,通过使用先进的模块,增强了铁路上的异物检测. 它显著提高了准确性和效率,以实现更安全,实时的铁路运营.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 目前用于铁路外来物体入侵的视觉检测方法与各种物体形状,尺寸和环境条件作斗争,导致高计算成本.
- 确保铁路运营安全需要准确和高效的异物检测,特别是在资源有限的情况下.
研究的目的:
- 开发一个新的网络,MACE-Net,用于准确高效地检测铁路线上的外来物体入侵.
- 克服现有的视觉检测方法在处理各种物体特征和环境条件方面的局限性.
主要方法:
- 拟议的MACE-Net将GOLD-YOLO模块与更新的可变形卷积网络 (DCNv3) 集成,用于自适应性特征提取.
- 集成的卷积块注意模块 (CBAM) 用于精细的特征表示和通用交叉超过联盟 (GIoU) 损失,以提高本地化稳定性.
- 创建了一个由7200张图像组成的新铁路入侵数据集,以解决特定领域的数据稀缺问题.
主要成果:
- 与基线YOLOv8.8相比,MACE-Net的平均精度 (mAP@0.5) 从78.9%提高到83.8% (增加4.9%).
- F1得分增加了5.2%,这表明检测性能得到了提高.
- MACE-Net保持了与基线可比的计算效率,适合实时应用.
结论:
- 在铁路线上检测外来物体方面,MACE-Net表现出卓越的性能,实现了更高的准确性和F1得分.
- 网络的自适应特征提取和强大的本地化使其适合实时铁路监控.
- 在有限的资源条件下,MACE-Net为提高铁路安全提供了有效的解决方案.
