论文部分内容阅读
随着高速铁路的快速建设和发展,铁路的安全运营日益重要,而异物入侵会对铁路的安全运营造成很大的威胁,严重危害着国家财产和人民生命安全。为了解决该问题,需要一种精度高、实时性强以及稳定性好的铁路异物侵限检测技术,这对于铁路的运营安全具有重大意义。深度学习算法在图像检测识别领域中的应用为铁路异物侵限目标的识别提供了可能,本文的目的是旨在开发一套基于深度学习的铁路异物入侵检测算法,将侵入铁路的异物进行识别检测,从而提升铁路安全运营保障水平。本文为了对侵入铁路的异物进行准确的识别检测,首先通过采集铁路现场的视频图像构建铁路数据库,包括空铁路场景、包含运营列车的铁路图像和包含行人入侵的铁路图像三种情况;随后,以全卷积网络为基础,使用改进的Xception网络作为网络基础结构,在编码器阶段构建子网络聚合和子阶段聚合模块进行下采样,在解码器阶段利用双线性插值以及特征融合方式进行上采样完成轨道区域快速准确的分割,从而确定铁路限界。最后,为了实现对异物目标快速准确的检测识别,以SSD网络为基础,在原始网络基础上引进了Focal Loss损失函数平衡正负样本的数量,引进DIOU Loss损失函数帮助网络更好更快的收敛。为了解决网络对小目标检测效果差的问题,在原始结构基础上引入了反卷积和特征融合加强了网络对于小目标的检测效果,并利用卷积核L1范数对网络进行了裁剪压缩,降低了网络的计算量和运行时间,从而实现准确率和实时性的平衡。通过在铁路数据集和PASCAL VOC两种数据集的实验表明本文提出的算法具有良好的普适性和鲁棒性,足以满足铁路现场的实际使用需求。本文提出了基于改进Xception网络的快速语义分割网络进行对铁路限界区域进行划分,最终划分精度(IOU)达到了95.2%,检测单张图片时间为3.85ms。提出使用改进的SSD网络对异物目标进行识别,检测的准确率整体达到了99.95%,检测单张图片时间为31ms,具备较好的准确性和实时性,对保障铁路安全运营具有重要意义。