原文传递
基于深度学习的铁轨异物检测方法研究及系统实现
| 论文题名： | 基于深度学习的铁轨异物检测方法研究及系统实现 |
| 关键词： | 铁路轨道;异物检测;深度学习;注意力机制;特征融合 |
| 摘要： | 随着我国铁路运营里程不断增加，铁路覆盖范围变得非常广阔，使得行驶环境更加地复杂，铁轨作为行驶的路基，其异物入侵问题严重影响了行车安全。目前轨道异物检测主要是人工巡检与传统检测技术辅助排查，这些检测方式存在成本高和适应性低等不足，并不能很好的满足需求。本文提出了基于深度学习的铁轨异物检测方法，选取一阶段算法YOLO-v5进行铁轨异物的检测研究，旨在提高检测精度及检测速度。 本文主要研究内容包括:第一，通过对图像去噪、均值化、翻转等常规处理，以及图像增强与扩充操作，完成轨道异物图像集的制作;第二，YOLO-v5网络s版本虽然检测速度快，但检测小目标性能较差，本文在网络的CSP模块中加入注意力机制增强特征提取能力和丰富特征信息，同时选用CIOU替换GIOU损失函数;第三，有些轨道异物与背景特征差异不明显，若是异物目标尺寸发生变化，不仅检测准确率降低，还可能出现漏检或误检问题，本文采用Bi-FPN特征融合方式对网络进行改进，提升特征信息融合的能力;第四，本文利用QT库设计了一套铁轨异物检测系统，通过加载权重模型和选取测试图片及视频，完成铁轨异物检测系统的测试。 实验结果表明，通过对基础网络加入CA和CBAM机制的结果分析，加入CBAM机制的训练loss曲线收敛下降趋势更快，其模型精确率和mAP值均优于加入CA机制;基于Bi-FPN模式的检测网络相对于改进前，目标loss曲线下降幅度变得更陡，曲线收敛速度更佳，mAP值提升了1.1％，经测试集验证，其识别准确率提高了0.92％。若目标尺寸发生变化，还可以识别出漏检的目标，本次所用服务器检测每张图片相比于改进前耗时减少约0.291ms。因此，本文通过一些改进方法可使得网络进一步提升检测性能。 |
| 作者： | 冉祥良 |
| 专业： | 电子信息 |
| 导师： | 汤全武 |
| 授予学位： | 硕士 |
| 授予学位单位： | 宁夏大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
