原文传递
基于通道间注意力模型的铁路异物检测算法研究
| 论文题名： | 基于通道间注意力模型的铁路异物检测算法研究 |
| 关键词： | 铁路异物检测;注意力机制;FasterR-CNN模型;深度特征流网络 |
| 摘要： | 铁路中出现行人、车辆以及动物等异物会对列车运行产生非常大的安全隐患，所以，如何准确快速的检测出侵入铁路安全界限的异物目标对于列车的安全运行有着非常重要的意义。传统的异物检测方法运算速度较快，但是铁路周边的场景复杂且多变，现有基于阈值分割或背景差分算法很难满足需求，这使得铁路异物检测的自动化程度不高，有很大一部分工作仍需要人工完成。基于深度学习的异物检测算法相对传统方法可以提取到更高层、表达能力更强的特征，还能在一个模型中完成对于目标的特征提取、边界框回归以及分类，具有更好的检测效果。本文根据单帧检测与视频检测两种使用场景提出了两种基于通道间注意力模型的异物检测算法，利用通道间注意力模型进一步增强深度学习模型主干网络的特征提取能力，之后针对铁路异物检测任务的特殊性对模型进行相应改进，本文的主要工作如下： （1）提出了结合通道间注意力的FasterR-CNN铁路异物检测算法，通过在主干网络中融入通道间注意力模型，提出了SE-FasterR-CNN模型，为特征通道的重要度进行评分，提升对当前任务更有效的的通道的权重值大小，提高模型的特征提取能力。使用BalanceL1Loss损失函数替换原模型的损失函数，平衡了简单样本与复杂样本对于模型训练梯度的贡献，提升深度学习模型的学习效果。最后，由于铁路异物检测任务中包含大量的小目标的检测，而原模型对于小目标的检测效果较差，针对这种情况对RPN网络进行优化，添加了一组更小尺度的锚框，整个模型的锚框数由9种增加到12种，对于模型的小目标检测能力有所优化。 （2）提出了结合通道间注意力与帧间小位移的DFF铁路异物视频检测方法，通过分析视频中目标检测与静态图像目标检测之间的区别，使用深度特征流网络引入铁路异物视频检测任务中，并对该模型进行分析，对模型的主干网络与光流网络做出了相应改进。由于深度特征流网络模型仅在少量关键帧上通过ResNet101提取特征，输入特征的质量直接影响整个模型的性能，所以在主干网络引入注意力机制模型，突出关键通道的作用，对关键帧的特征进行更细化的调整，提高模型对于关键帧的特征提取能力。针对铁路异物检测任务中小目标多的情况，将原模型的FlowNet-S更换为FlowNet-cs-ft-SD，使用FlowNet-SD预测小目标的位移的光流，再将结果与FlowNet-cs预测出的光流进行融合，提升光流预测准确度，提高了非关键帧的特征提取效果。 （3）设计了一种铁路异物检测系统，基于前端UI框架Layui与SSM框架开发实现，系统实现了多种异物检测算法解决方案，在检测精度与速度上有较好的表现。 |
| 作者： | 康益华 |
| 专业： | 计算机技术 |
| 导师： | 高德勇;郭世勇 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
