基于LAM-Net的轨道侵入界异物自主检测系统

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。     

基于LGF-Net的全天候轨道入侵异物智能检测系统

针对轨道入侵异物为行车安全带来巨大威胁,而现有的轨道目标检测模型检测精度和速度难以平衡、复杂轨道环境中多尺度目标检测鲁棒性差等问题,提出了一种全天候高精度实时多尺度轨道入侵异物检测模型。该模型通过使用双分支结构和线性特征变换提升模型的特征提取速度;通过改进Transformer结构使轻量型模型能够建模全局上下文信息;通过设计高丰富度特征融合结构和轻量型注意力机制进一步提升模型的多尺度目标检测能力。此外,本文将该模型进行嵌入式移植并研制智能检测系统。实验结果表明,本文所提出的模型在实际轨道场景采集的数据集中检测精度和速度分别为94.93%和132 fps,比YOLOv5s高3.09%,能够满足在复杂轨道场景中高精度实时检测多尺度入侵异物的应用需求。     

基于 FRL-Net 的高鲁棒性多尺度小样本轨道入侵异物检测方法研究

针对轨道入侵异物严重威胁行车安全,而基于广义深度学习的目标检测方法无法打破大数据驱动的训练壁垒、小样本目标检测方法在复杂轨道环境中对多尺度入侵异物检测能力差、鲁棒性低等问题,本文提出了一种高鲁棒性多尺度小样本轨道入侵异物检测模型。该模型采用元学习策略,通过多尺度小样本入侵异物特征提取模块增强模型对于不同尺度小样本异物特征的表达能力。使用轨道入侵异物元特征精准重加权模块对小样本异物的元特征进行精准优化。提出小样本轨道入侵异物检测优化模块进一步提升模型的检测性能。实验结果表明,该模型在7-way 30-shot的小样本轨道异物检测任务中的平均检测精度为81.8%,比FSRW高3.2%,更适合在实际轨道环境中检测多尺度小样本入侵异物。