基于LAM-Net的轨道侵入界异物自主检测系统

摘要：

针对轨道入侵异物对行车安全造成的极大威胁,而现有的轨道目标检测算法难以平衡检测精度和速度、易受复杂环境影响以及难以部署于嵌入式设备等问题,提出了一种轻量型自适应多尺度卷积神经网络,其通过特征图线性变换简化特征提取过程,使用自适应多尺度特征融合优化特征表达能力,并通过设计轻量型注意力进一步提升异物检测精度;同时,结合NVIDIA Jetson TX2嵌入式平台,研制了轨道入侵异物自主检测系统.实验结果表明,本文提出的模型很好地平衡了检测速度和精度,在NVIDIA GeForce GTX1080Ti的GPU平台上对轨道数据集的检测速度为297 FPS,检测精度为92.96％,比YOLOv4-tiny高7.72％,实现了在轨道交通复杂场景下高精度、高速度以及高鲁棒性的检测入侵异物.

关键词：目标检测算法、轻量型卷积神经网络、深度学习、轨道入侵异物、自适应特征融合、检测系统

所属期刊栏目：43

分类号：U491.2;TH39(交通工程与公路运输技术管理)

资助基金：煤炭资源高效开采与洁净利用国家重点实验室开放基金项目;中央高校基本科研业务费专项基金;中央高校基本科研业务费专项基金

在线出版日期：2023-02-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：206-218