基于FRL-Net的高鲁棒性多尺度小样本轨道入侵异物检测方法研究

针对轨道入侵异物严重威胁行车安全,而基于广义深度学习的目标检测方法无法打破大数据驱动的训练壁垒、小样本目标检测方法在复杂轨道环境中对多尺度入侵异物检测能力差、鲁棒性低等问题,本文提出了一种高鲁棒性多尺度小样本轨道入侵异物检测模型。该模型采用元学习策略,通过多尺度小样本入侵异物特征提取模块增强模型对于不同尺度小样本异物特征的表达能力。使用轨道入侵异物元特征精准重加权模块对小样本异物的元特征进行精准优化。提出小样本轨道入侵异物检测优化模块进一步提升模型的检测性能。实验结果表明,该模型在7-way 30-shot的小样本轨道异物检测任务中的平均检测精度为81.8%,比FSRW高3.2%,更适合在实际轨道环境中检测多尺度小样本入侵异物。

基于TOI-Net的高精度货车超载智能判别方法

针对货车超载运输为道路安全带来巨大威胁,而目前主流的货车超载判别方法存在判别效率低、监管范围小、检测成本高的问题,提出了一种基于TOI-Net的高精度货车超载智能判别方法。首先,设计了针对于超载判别任务的货车行驶轨迹图像生成方法,可将多维度货车行驶轨迹时空数据转化为货车行驶轨迹图像,在降低数据复杂性的同时实现了特征的聚合;然后,设计了一个高精度货车超载智能判别模型TOI-Net,其由RepVGG模块和位置注意力模块组成,能够充分挖掘货车行驶轨迹数据中的超载信息特征,高效完成超载判别任务。在货车超载数据集上的实验结果表明,所提方法的超载判别准确率为96.1%,且性能指标均高于主流识别网络,实现了对于货车超载行为的精确、快速和全面的判别。

基于LGF-Net的全天候轨道入侵异物智能检测系统

针对轨道入侵异物为行车安全带来巨大威胁,而现有的轨道目标检测模型检测精度和速度难以平衡、复杂轨道环境中多尺度目标检测鲁棒性差等问题,提出了一种全天候高精度实时多尺度轨道入侵异物检测模型。该模型通过使用双分支结构和线性特征变换提升模型的特征提取速度;通过改进Transformer结构使轻量型模型能够建模全局上下文信息;通过设计高丰富度特征融合结构和轻量型注意力机制进一步提升模型的多尺度目标检测能力。此外,本文将该模型进行嵌入式移植并研制智能检测系统。实验结果表明,本文所提出的模型在实际轨道场景采集的数据集中检测精度和速度分别为94.93%和132 fps,比YOLOv5s高3.09%,能够满足在复杂轨道场景中高精度实时检测多尺度入侵异物的应用需求。

基于ResNeXt卷积神经网络的轨道目标检测实验设计

文章以列车行驶前方障碍物检测为例,介绍了根据所搭建的轨道目标智能检测实验平台设计和改进深度神经网络模型,并将其应用于实际场景的做法。选择了ResNeXt主干特征提取网络,使模型的特征提取能力更强;采用了自适应特征融合优化方法和注意力机制,大幅度提升了算法在铁路环境中的检测性能。

基于LAM-Net的轨道侵入界异物自主检测系统

针对轨道入侵异物对行车安全造成的极大威胁,而现有的轨道目标检测算法难以平衡检测精度和速度、易受复杂环境影响以及难以部署于嵌入式设备等问题,提出了一种轻量型自适应多尺度卷积神经网络,其通过特征图线性变换简化特征提取过程,使用自适应多尺度特征融合优化特征表达能力,并通过设计轻量型注意力进一步提升异物检测精度;同时,结合NVIDIA Jetson TX2嵌入式平台,研制了轨道入侵异物自主检测系统。实验结果表明,本文提出的模型很好地平衡了检测速度和精度,在NVIDIA GeForce GTX1080Ti的GPU平台上对轨道数据集的检测速度为297 FPS,检测精度为92.96%,比YOLOv4-tiny高7.72%,实现了在轨道交通复杂场景下高精度、高速度以及高鲁棒性的检测入侵异物。

基于改进卷积神经网络的非合作无人机检测应用

针对“黑飞”无人机侵犯公民隐私、危害个人及公共安全,现有的无人机检测算法难以平衡检测速度和精度且对小目标的检测精度较低等不足,在YOLOv3的基础上进行改进,提出多尺度目标检测网络(multi-scale object detection network,MS-Net)对低空中的无人机进行快速高效地检测,为实现后续的防护压制提供依据。针对锚点框,通过K-均值(K-means)聚类方法得出更准确预测目标区域的位置。在特征提取部分,使用空间金字塔池化(spatial pyramid pooling,SSP)提取更丰富的特征信息,提升分类精度。在检测部分,提出增强压缩和激活(enhanced sequeeze and excitation,ESE)通道注意力机制,在基本不影响检测速度的同时实现更加精确的多尺度目标检测。实验结果表明:该方法在由无人机、风筝、鸟等组成的数据集上的检测速度为51 FPS,平均准确率(mean average precision,mAP)为91.39%,比YOLOv3网络提高了6.42%;特别地,在无人机目标上的平均精度(average precision,AP)提升了7.42%。