红外弱光下多特征融合与注意力增强铁路异物检测

摘要：

针对红外弱光环境下铁路异物检测时存在目标特征提取不充分、检测精度及实时性低的问题,在CenterNet目标检测模型的基础上,提出了一种红外弱光下多特征融合与注意力增强的无锚框异物检测深度学习模型.在红外目标多尺度特征提取的基础上,引入自适应特征融合(ASFF)模块,充分利用目标高层语义与底层细粒度特征信息,提升红外目标特征提取能力.通过提出的空洞卷积增强注意力模块(Dilated-CBAM)进行关键特征提取,扩大注意力模块感受野范围,克服了原始CenterNet卷积块感受野映射区域变窄、无法检测弱小目标的问题,提升了无锚框网络的检测精度.使用Smooth L1损失函数进行训练,克服了L1损失函数在网络训练过程收敛速度慢及训练不稳定解的问题.通过铁路红外数据集及现场实验测试,结果表明:所提方法较原始CenterNet模型平均检测精度提高了 8.03%,检测框置信度提升了 31.23%,平均检测速率是Faster R-CNN模型的 9.6倍,所提方法在红外弱光环境下能够更加快速准确地检测出铁路异物,主客观评价均优于对比方法.

关键词：机器视觉、红外弱光、异物检测、自适应特征融合、空洞卷积增强注意力模块、无锚框网络

所属期刊栏目：49

分类号：TP391.4(计算技术、计算机技术)

在线出版日期：2023-09-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1884-1895