红外弱光下多特征融合与注意力增强铁路异物检测

针对红外弱光环境下铁路异物检测时存在目标特征提取不充分、检测精度及实时性低的问题,在CenterNet目标检测模型的基础上,提出了一种红外弱光下多特征融合与注意力增强的无锚框异物检测深度学习模型。在红外目标多尺度特征提取的基础上,引入自适应特征融合(ASFF)模块,充分利用目标高层语义与底层细粒度特征信息,提升红外目标特征提取能力。通过提出的空洞卷积增强注意力模块(Dilated-CBAM)进行关键特征提取,扩大注意力模块感受野范围,克服了原始CenterNet卷积块感受野映射区域变窄、无法检测弱小目标的问题,提升了无锚框网络的检测精度。使用Smooth L1损失函数进行训练,克服了L1损失函数在网络训练过程收敛速度慢及训练不稳定解的问题。通过铁路红外数据集及现场实验测试,结果表明:所提方法较原始CenterNet模型平均检测精度提高了8.03%,检测框置信度提升了31.23%,平均检测速率是Faster R-CNN模型的9.6倍,所提方法在红外弱光环境下能够更加快速准确地检测出铁路异物,主客观评价均优于对比方法。

红外弱光环境下多尺度密集注意力铁路异物检测

针对红外弱光环境下铁路异物侵限检测时存在目标特征提取不充分、检测精度低的问题,在Mask R-CNN检测模型的基础上,提出一种红外弱光环境下多尺度密集注意力铁路异物检测方法。首先,提出密集连接的多尺度FPN金字塔网络,加强对特征图的利用,从而提高红外弱光环境下的检测精度。同时,引入CBAM注意力机制,改进ResNet-FPN网络结构,提高对目标区域的关注度,突出红外弱光环境下的目标特征。其次,改进k-means算法重新预设锚点框大小,以提升锚点框对目标区域定位的准确性。最后,通过铁路红外数据集及现场实验进行测试验证。实验结果表明,本方法具有较高的检测精度,精确率可达89.24%,较Mask R-CNN召回率增加了6%,像素准确率增加了8%;在红外弱光环境下可以更加准确地检测出铁路异物,并能实现铁路限界区域的划分,在主客观评价方面均优于对比方法。

基于超像素分割和暗亮通道结合的单幅图像去雾

针对暗通道先验去雾算法中透射率估值不准确以及天空区域或大面积白色区域去雾后存在颜色失真等问题,提出了一种基于超像素分割和暗亮通道结合的单幅图像去雾方法。首先采用超像素方法对有雾图像进行分割,将得到的超像素块代替暗通道固定方形滤波窗口;其次,采用暗通道与亮通道先验理论结合的方法获取透射率,使透射率估值更准确;然后,在天空区域通过阈值分割结合亮通道先验理论确定大气光值,并利用融合梯度信息的引导滤波方法优化透射率;最后根据大气散射模型恢复无雾图像。实验结果表明,所提方法得到的透射率和大气光值的估值准确,取得了良好的去雾效果,在主观评价和客观评价方面均优于其他对比算法。

改进AKAZE算法的高铁接触网图像特征匹配方法

针对传统多尺度特征匹配算法在高速铁路接触网图像匹配检测过程中难以保持图像局部精度和边缘细节的问题,提出了一种改进加速非线性扩散(AKAZE)算法的高铁接触网图像特征匹配方法。首先,对接触网图像利用边缘特征与局部二值模式纹理特征融合的方法,克服了传统接触网图像特征点数量不足的问题;然后,采用改进AKAZE算法提取接触网图像的特征,提出用二进制的鲁棒独立基本特征(BRIEF)描述子进行特征点的描述;再通过快速相似邻域搜索与随机抽样一致算法剔除误匹配点;最后,使用图像差分的方法实现对接触网图像的匹配检测。实验结果表明,该方法较AKAZE特征匹配算法,平均匹配精度提高了22.16%,算法的运行效率也得到了较大改善。

基于轻量级网络的铁路感兴趣区域异物侵限检测

针对当前基于计算机视觉的铁路异物侵限算法存在错误预警、检测效率低、无法满足轻量级部署等问题,提出了一种基于轻量级网络的铁路感兴趣区域异物侵限检测方法。首先,采用透视变换和三次函数拟合的方法检测铁轨线,通过找到铁轨所在区域,扩展划分出危险区域和安全区域,得到铁路异物侵限检测的感兴趣区域。然后,利用稀疏化和通道剪枝方法对YOLOv3模型进行压缩,构建了轻量级铁路异物检测模型。最后,通过铁路数据集及现场实验进行测试表明,本文方法具有较高的检测精度和检测速度,本文轻量级模型参数空间减小为原有的1/5,检测速度是Faster R-CNN模型的3.4倍,YOLOv3模型的1.3倍,能够快速有效地检测出不同铁路场景危险区域的异物侵限,减少了错误预警。