基于改进YOLOv5s的列车车厢客流密度检测方法研究

针对城市轨道交通（简称：城轨）列车车厢客流密度检测过程中人群密集、乘客间相互遮挡的问题,文章提出一种基于改进YOLOv5s模型的列车车厢客流密度检测方法。设计了基于车载闭路电视监控（CCTV,Closed-Circuit Television）系统监控进行实时目标检测的列车车厢客流密度检测模型;为解决人群密集及遮挡问题,对YOLOv5s进行优化,采用了双向特征金字塔网络（BiFPN,Bidirectional Feature Pyramid Network）结构加强网络特征融合,设计了一种损失函数计算方法,改进了非极大值抑制（NMS,Non-Maximum Suppression）方法,避免候选框误删除的情况。在标准行人检测数据集和自制地铁车厢乘客数据集上进行实验,结果表明,在两类数据集上,改进模型的检测精度均较原模型有所提升。     

基于改进算法YOLOv5+的混凝土轨枕裂纹检测

基于既有研究成果在对混凝土轨枕裂纹检测效率不足的基础上,提出一种改进算法YOLOv5+,主要以YOLOv5网络模型为基础,对混凝土轨枕裂纹进行高效检测。首先,采用分治标签的策略来增大裂纹在标签中的实际占比,从而解决混凝土轨枕裂纹尺度变化大的问题,使网络更利于提取有效特征;其次,将YOLOv5网络结构中SPP模块的最大池化层改为平均池化层,减少裂纹漏检的现象;同时,在YOLOv5骨干网络中嵌入SE注意力模块(Squeeze and Excitation, SE)提高对细小裂纹的检测能力;最后,结合新的检测尺度与特征融合网络,降低微小裂纹的漏检现象。实验结果表明,以YOLOv5网络模型为基础的改进算法YOLOv5+,除了召回率Recall变化不大外,精确率Precision提高6.5%,平均精度均值mAP提升8%,帧率FPS也有所提升,能够满足实时性的检测需求。     

基于改进YOLOv5s算法的列车驾驶员手势识别

随着智能铁路的发展,人工智能技术得到广泛应用。通过深度学习对列车驾驶员手势实时检测,可提高检查驾驶员手势执行情况的效率,保证列车运行安全。针对现有手势识别算法识别精度低、检测速度慢、难以部署等问题,提出一种改进的YOLOv5s列车驾驶员手势识别算法。首先在原始主干网络的卷积操作之后添加CBAM模块,加强重要特征信息,抑制次要特征信息;其次在颈部网络中引入BiFPN模块,在不过多增加计算量的情况下,更好地实现多尺度特征融合;最后通过改进的K-means聚类算法生成适合本文数据集的先验框,更好地提升预测框精准度,加强模型的识别性能。实验结果表明,本算法在测试集上平均精确率均值为0.955,检测速度为71 FPS,网络模型所占内存为15.9 MB,验证了该算法具有识别精度高、检测速度快、模型内存占比小等优势,对于实现工程部署有重要意义。     

基于改进YOLOv3的铁路落石检测方法研究与实现

我国山区铁路沿线边坡崩塌落石侵入铁路限界将严重危及列车运行安全,当前铁路危岩落石的自动化监测系统存在误报、漏报及时效性低等缺点,各类监测系统对侵限落石的检测方法成为了制约系统性能指标的关键因素。本文收集了大量铁路真实场景下的崩塌落石样本,并选取Faster RCNN和YOLOv3算法进行了落石检测对比实验,实验表明YOLOv3算法与Faster RCNN算法检测精度相近,但检测速度更快,因此本文选取YOLOv3算法构建铁路边坡落石检测模型。由于YOLOv3算法对铁路落石群的检测准确度较低,本文采用多尺度检测以及调整网络超参数等方式对YOLOv3框架进行了改进,结果显示对落石群检测准确度提升效果较为明显,更能满足铁路沿线危岩落石检测的实际应用要求。     

基于YOLOv5的铁路接触网异物检测模型初步研究

接触网上附着的异物是影响铁路列车运行安全的一大隐患,在开行列车前需要检查接触网上是否有异物附着。目前,接触网异物检测主要依靠人工巡检,工作效率低,人力物力消耗大。文章通过建模实验,初步探讨利用基于深度学习的目标检测技术实现铁路接触网异物检测的可行性;构建了3种接触网异物检测模型：YOLO(YouOnlyLookOnce) v5模型、 YOLOv5+坐标注意力（CA,Coordinate Attention）改进模型和YOLOv5+ConvNext Block改进模型,利用包含鸟窝和轻质异物两种常见异物的接触网图像数据集,对这3种模型进行实验分析。实验结果表明,相比YOLOv5算法,对于检测鸟窝和轻质异物两种常见的接触网异物,YOLOv5+CA改进模型和YOLOv5+ConvNext Block改进模型具有更好的效果,且YOLOv5+ConvNext Block改进模型检测小尺寸目标的能力更强。     

基于改进YOLO V3算法的轨道扣件缺陷检测

目前轨道线路养护主要采用人工巡检方式,针对其存在的准确率不足、效率低下等问题,提出一种基于改进YOLO V3的轨道扣件缺陷检测方法。首先通过K-means算法对缺陷目标候选框的尺寸进行聚类分析;其次根据检测目标普遍较小的情况改进YOLO V3的层级结构,即选取两组尺度特征对扣件缺陷的位置和类别进行预测;最后将取自某地铁线路的轨道图像数据制作成轨道扣件缺陷数据集,用改进前后的YOLO V3网络模型进行对比实验。结果表明,改进后YOLO V3模型的平均准确率均值提高了20.64%,达到95.62%,检测速度提高了82.5%,达到58.4fps,能够准确且快速地识别出轨道扣件中的缺陷。     

基于图像与激光多数据融合的轨枕检测方案研究

铁路轨道轨枕的准确检测是实现捣固车智能化升级的前提,也是实现大型养路机械自动捣固的必要条件之一。为实现大型养路机械捣固车轨道轨枕自动检测识别,文章提出一种基于多维传感器数据融合算法的轨枕自动检测算法方案。该方案结合混沌增强果蝇优化算法与模糊聚类分割技术,扩大了算法适用范围,提高了图像识别准确性和抗噪能力;其将图像与激光测距传感器数据进行多数据融合,同时充分考虑了捣固车的作业速度和制动特性,进一步确定轨枕宽度和轨枕之间的距离信息,快速准确完成对轨道轨枕的检测识别。实验结果表明,本文所提检测算法能够快速准确地给出轨道轨枕的位置,同时判断出异常区域,为后续自动捣固作业控制奠定基础。     

基于多层级特征融合的钢轨表面伤损检测方法

现有的钢轨表面伤损检测方法存在鲁棒性差、误检率高和容易漏检小面积伤损区域的问题.为此,提出一种基于多层级特征融合的钢轨表面伤损检测方法.首先,利用高速综合检测车搭载轨道图像采集系统,在实际的铁路线路采集轨道图像,并对表面伤损进行人工标注;然后,在钢轨图像数量有限的情况下,利用钢轨表面伤损数据集构建策略,提升训练样本图像...     

基于卷积块注意力模块和双向特征金字塔网络的接触网支持装置检测方法研究

接触网支持装置是接触网悬挂状态检测监测图像分析的关键对象,对支持装置零部件的检测定位是实现缺陷自动分析的基础。针对接触网支持装置零部件种类多、尺寸差异大、存在遮挡、部分零部件相似度高等问题,提出一种融合卷积块注意力模块（convolutional block attention module,CBAM）和双向特征金字塔网络（bidirectional feature pyramid network,BiFPN）的接触网支持装置检测方法。在YOLO v5s网络模型基础上,该方法通过CBAM增强接触网支持装置的特征提取,结合BiFPN,实现不同零部件分辨率特征图的融合。利用4C装置获得的图像数据集,开展验证试验。试验结果表明,相对YOLO v5s网络模型,融合CBAM和BiFPN的接触网支持装置检测方法,网络平均精度mAP@0.5提高2.12%;能显著提升小目标检测效果,提高定位的准确性和稳定性,对接触网状态的智能分析有重要意义。     

面部多特征融合的列车司机疲劳检测方法研究

为保障列车安全运营,提出一种基于面部多特征融合的列车司机疲劳检测方法.采用HOG特征实现人脸识别,ERT算法实现特征点定位.针对不同司机面部特征差异导致固定阈值无法适用于每位司机的问题,提出基于K-means++法的人眼自适应阈值算法.考虑图像前后帧的相关性,利用相邻两帧图像瞳孔与内眼角差值计算眼动速率作为判断指标.针...     

基于数据融合的轨道不平顺检测算法研究

针对轨道不平顺检测方法和检测精度问题,提出基于捷联式惯性导航技术,搭建以四元数为基础的"数学平台",融合里程计和射频标签修正里程位置信息,根据惯性测量单元加速度计和陀螺仪的数据进行轮轴姿态解算,通过互补滤波算法进行数据融合,并基于混沌增强果蝇优化算法进行滤波处理,获得以欧拉角表示的轮轴三维姿态数据,进而拟合实现轨道不平...