基于通道权重分配的铁路物资仓储库区物体分类识别方法

铁路物资仓库中货物种类广、数量多,人工搬运困难,急需建设无人仓库以提升物资管理水平。但是,铁路物资仓库常有紧急抢修任务,货物动态性高,人机混合,工人与货物、车体之间相互遮挡,对物体识别造成较大影响。因此,如何准确识别仓库中常见物体并及时做出任务调整,成为了铁路仓库智能化运行中亟待改善的问题。在YOLOv8模型的基础上,在主干网络部分加入SE(Squeeze-and-Excitation)注意力模块,对损失函数进行优化,提出了YOLOv8-S铁路检修仓储库区物体识别模型。通过引入SE模块,YOLOv8网络可以通过在不同通道间分配权重达到主次优先的目的,提高模型对特征的关注力,进一步提高模型分类的能力,优化后的损失函数通过最小化预测边界框和真值边界框之间的点距离来计算IoU,简化了计算过程。采集铁路检修仓库中出现频率较高的叉车、货物、工作人员与货架4类物体图像作为数据集,为保证数据集质量,采用MSE均方误差去除冗余图像,共得到1000幅图像。对4类物体进行标注并送入训练模型。测试结果表明,模型召回率为83.7%,平均均值精度达到87.6%,与原始YOLOv8相比,YOLOv8-S的召回率提高了3.8%,平均均值精度提高了4.3%。结果表明,YOLOv8-S网络可以准确地实现铁路检修仓库中常见物体的识别。