基于YOLOX-Tiny网络的铁路入侵检测研究-文献详情-维普官网

文献检索

任意字段

文献信息

任意字段
主题词
篇关摘
篇名
关键词
摘要
作者
第一作者
作者单位
刊名
中图分类号
学科分类号
DOI
基金

智能检索

高级检索

检索历史

基于YOLOX-Tiny网络的铁路入侵检测研究认领

作者：

朱开源

学位授予单位：

兰州交通大学

摘要：

铁路系统是国家基本建设的核心组成部分,扮演着支持公众出行和货物流通的关键角色,对国家经济增长起到了基础且不可或缺的推动作用。随着铁路系统的不断扩张,铁路的运营环境变得更加多元与复杂。为了维护铁路运营的安全性,迫切需要通过有效的检测和跟踪预警系统来识别和解决这些潜在的安全隐患,其中针对铁路行人以及小目标的检测尤为重要。随着不断优化和更新的深度学习图像识别与跟踪技术,深度学习在目标检测和计算机视觉领域的快速进步为这些图像资料的分析提供了新的可能性。深入研究和开发针对铁路异物的检测与跟踪算法,对于推动我国铁路交通的持续发展和保障国家及民众的利益具有重要的战略意义。本文通过分析国际与国内在目标检测与跟踪领域的方法和技术,并考虑到铁路异物入侵检测的需求和特点,提出了铁路异物检测与跟踪的改进方法,并通过实验验证了本文所提方法的有效性。主要工作内容如下: (1)在铁路异物入侵检测时由于异物的尺度差异较大会出现对目标特征提取不充分从而导致检测效果差的问题,以及大多数的模型并不能满足铁路异物检测时所需的高实时性,本文在YOLOX-Tiny深度学习模型的基础上,提出了一种基于改进多尺度特征融合方法以及引入注意力增强机制的铁路异物检测深度学习模型。首先在原模型多尺度FPN金字塔网络的基础上加入小目标检测层,并提出了多尺度加权双向特征融合模块(Bifpn-s),使模型充分利用了不同维度的特征,从而提高了模型的检测精度。同时,将坐标注意力机制加入到模型中,改进YOLOX-Tiny网络结构,提高对感兴趣目标的关注度,提高了多尺度场景下的定位能力。其次,使用更加高效的EIo U损失函数替换模型原有的损失函数,提高了模型的检查精度与收敛速度。最后在自制的铁路异物入侵数据集上与其他方法进行比较,通过实验表明了所提方法在面对多尺度场景下铁路异物检测任务时的有效性,能够满足铁路异物检测的需求。 (2)针对深度学习跟踪算法在进行目标跟踪任务时处理目标位置变动、形态更改和特征遮挡时会产生跟踪精度较低的问题,在Deepsort的轨迹预测部分设计了一种并行预测轨迹算法,将核相关滤波和卡尔曼滤波并行预测轨迹序列,来解决目标轨迹丢失、目标编号跳转等问题,提升目标跟踪的稳定性。为了提升对非匀速运动目标的追踪能力,算法在传统状态向量基础上新增了加速度因子,用以更准确地计算目标的状态转移矩阵和观测矩阵。这两种矩阵分别参与到目标状态的更新过程中,以便将状态向量有效地转换为可观测数据。通过对目标状态的连续预测与更新,进一步构建了基于匀加速运动的卡尔曼滤波模型,能够更高效地处理视频跟踪中遇到的目标动态变化问题。针对表观特征的数据关联匹配中,本文采用OSNet对目标的表观特征进行了高效提取。OSNet专为复杂的表观特征变化设计,它通过多尺度特征提取,能够捕获目标的不同视角、尺度和姿态变化。通过在自制数据集上的实验验证,该改进算法在准确度和精确率方面均满足铁路异物目标跟踪需求。 (3)本文设计与实现基于监控视频的铁路异物检测系统,将改进后的YOLOX-Tiny与Deep Sort方法应用于铁路智能监控系统中,使用效率更高、检测和跟踪精度更高的算法对铁路异物进行更快速与准确的分析。

摘要译文

关键词：

铁路异物检测; 目标跟踪; 计算机视觉; 深度学习

学位年度：

2024

学位类型：

硕士

学科专业：

计算机科学与技术

导师：

高德勇

中图分类号：

U298[安全技术];TP391.41[图形图像识别]

学科分类号：

082301[交通运输规划与管理];082305[交通安全与环境];083702[安全技术];081104[模式识别与智能系统];081205[人工智能];081206[计算机应用技术];0835[软件工程]

D O I：

10.27205/d.cnki.gltec.2024.001506