论文部分内容阅读
行人、车辆等异物侵入铁路界线，严重威胁行人安全和铁路交通安全。针对传统铁路异物入侵检测方法精度低、时效性差等问题，提出改进YOLOv5s算法的铁路异物入侵检测模型SD-YOLO。本文提出SSA混合注意力机制，加强模型的局部表征能力，提高小目标识别效果；提出DW-Decoupled Head解耦检测头，加快网络收敛速度；引入边界框回归损失函数SIoU，提高了模型的检测精度；使用转置卷积作为采样方法，采样更适合铁路侵限障碍物特征的尺寸和比例。在数据集RS和Pascal VOC 2012进行实验验证，与基线YOLOv5s算法相比，平均精度mAP@0.5分别提高了2.7%、1.8%，mAP@.5:.95分别提高了2.9%、2.1%，检测速度分别达到79 FPS和78 FPS，表明该算法在检测精度和速度上均取得良好的性能，有效改善了漏检、误检问题，提高了小目标识别能力。