基于改进RetinaNet的列车关键部件检测研究

列车关键部件对列车的安全运行具有重要保障作用，在光照环境较差以及部件尺寸较小时，当前基于深度学习的目标检测算法无法很好地进行检测。针对这一问题，提出一种基于改进RetinaNet的列车关键部件检测算法。首先，为了提高小尺寸部件的检测效果，在浅层特征P3后引入感受野模块，提升P3特征层的感受野及特征质量；进而将特征金字塔网络替换为像素聚合网模块，通过增加自底向上的特征融合路径，增强特征金字塔的定位能力；最后通过调节实验参数以及网络检测层的位置，得到适用于列车关键部件检测的网络模型。经验证，所提模型在公开数据集PASCAL VOC上的效果优于原始RetinaNet网络，且所提方法在列车关键部件检测任务上优于当前的主流算法。