基于改进YOLOv3的轨道定位点检测技术研究

实时、精确地确定列车在轨道路径上的位置是保障行驶安全、提升运输效率、提供最佳服务的前提.为了解决传统绝对定位技术存在的一些不足,提出一种基于改进YOLOv3的轨道定位点检测方法.根据定位点目标大小,调整网络输入尺寸及其特征提取网络Darknet-53的结构;由于定位点样本数量稀缺,故采用旋转、增噪等手段进行样本扩充,并使用K-means算法对自制的训练集聚类分析;依据官方网络参数说明及实际图片特征,优化网络的训练参数.实验结果表明,改进后YOLOv3算法的召回率提高了23百分点,检测速度提升了31帧/s,即在提高定位可靠性的同时,也满足轨道巡检系统的实时检测速度要求.     

基于目标图像FCM算法的地铁定位点匹配及误报排除方法

在基于图像识别的地铁轨道精确快速定位过程中,针对轨道定位点检测模型存在的误报问题,将模糊C均值（FCM）算法用于定位点模型匹配. 在基于深度卷积神经网络的轨道定位点检测模型基础上,选用6类定位点图像和2类误报点图像,提取不同类别图像样本中各目标检测框的中心相对位置、长宽比、面积等特征数据（每张图像各6维特征量）,采用ReliefF算法度量所有图像样本各维特征量的权重,将所得权重引入FCM算法的欧几里德距离公式,匹配唯一定位点. 实验结果表明,改进后的FCM算法在聚类的正确性和有效性方面有明显改善,对提高地铁轨道定位精度具有重要的意义.