基于DSSD的接触网鸟窝识别检测研究

随着中国电气化铁路里程的迅速增长,接触网的安全稳定运行面对巨大的压力,对其进行监测拥有重要意义。针对影响电气化铁路接触网正常工作的鸟害问题进行研究,通过对不同深度学习模型进行分析比较,选择DSSD模型以自动识别高速铁路接触网沿线。同时使用迁移学习的方法,运用Caffe平台,在数据集不足的情况下,通过微调训练好的DSSD网络,提高了鸟窝识别训练网络的泛化性和稳定性。训练完的模型具有更快的识别速度和更好的鲁棒性,对于接触网安全稳定运行拥有重要的参考意义。

基于深度学习的输电线路杆塔鸟窝识别方法研究

为实现输电线路杆塔中鸟窝的快速准确检测,提出一种基于RetinaNet深度学习模型的鸟窝识别方法,利用ResNet-50进行前期特征提取,通过FPN网络对前期标准特征进行加强,构建特征金字塔影像,以满足不同尺度大小的鸟窝目标检测,然后在特征金字塔的基础上构建了一个分类子网和回归子网,分别用于识别鸟窝和回归鸟窝的具体位置。通过与经典目标检测方法进行详细对比分析,利用F1-Score精度指标和检测速度指标对检测效果进行了量化分析,实验结果表明,所采用的鸟窝检测模型F1-Score指标可达0.932,优于其他三种经典方法,并能充分应对拍摄角度、遮挡等各种复杂场景问题。

基于集成策略的接触网区域鸟窝智能识别方法

针对接触网区域鸟窝智能检测问题,本文提出基于检测模型融合及粗检测与精确识别相结合的智能识别方法。针对实际场景中接触网成像状况复杂的情况,分别利用YOLO-v5s和YOLO-v5l模型对接触网区域鸟窝进行检测,然后融合两个模型的检测结果,并使用Inception v4模型对融合后的结果进行精确识别。实验表明,检测模型融合后,在测试集上获得了较高的准确率和的召回率,通过Inception v4模型进行精确识别,识别性能得到进一步提升。本文所述方法有效实现了接触网区域鸟窝的智能检测,对于研发具有实用意义的接触网区域鸟窝智能识别系统具有重要意义。

可学习双边引导去雾模型在铁路电力巡检中的应用

鉴于铁路运输安全的重要性,开发高效的电力巡检技术对于及时发现和预防线路问题变得尤为关键。本研究提出了一种基于可学习双边引导的图像去雾模型,结合最新的目标检测算法YOLOv8,旨在提高复杂环境下视频化铁路电力巡检中鸟窝检测的准确性和效率。该模型利用深度学习技术在低能见度条件下从大雾中恢复清晰图像,有效识别和定位潜在隐患。相较于传统方法和早期技术,实验显示本模型在速度和准确率方面显著优于现有技术。本研究不仅提高了铁路巡检的技术水平,也为图像处理技术的广泛应用开拓了新路径。

基于深度学习的接触网鸟巢异物识别研究

随着中国高速铁路里程的迅速增长,接触网安全稳定运营面临巨大压力,对其进行视频监控具有重要意义。针对影响电气化铁路接触网正常工作的鸟巢异物进行研究,提出一种基于深度学习的鸟巢异物检测方法,首先利用最邻近插值法进行图像缩放,然后采用双边滤波算法对图像进行去噪,进而用直方图均衡化算法进行图像增强。通过将YOLO v3与Faster RCNN这2种目标检测方法进行详细对比分析,给出了准确率、误检率、漏检率和检测速度等检测指标。试验结果表明,所采用的鸟巢异物检测模型Faster RCNN在检测鸟巢的准确率、误检率以及漏检率上表现更优,但是检测速度慢于YOLO v3算法,2种基于深度学习的鸟巢异物检测算法均达到85%以上的准确率,能够有效进行铁路鸟巢异物检测,大大降低了人工干预的成本。