摘要
铁路异物侵限视频监测是一种完善铁路监控系统功能、维护铁路安全运输的必要手段。然而，由于铁路场景的特殊性，铁路异物侵限视频检测模型需要具备较高的检测速度和精度，而传统的目标检测算法具有检测慢、效率低等缺陷;基于深度学习的目标检测算法又因为铁路异物侵限图像样本较少，模型训练调优较为困难。因此，需要采用新的技术手段以提升铁路异物侵限视频检测的速度与精度。本文首先基于轨道检测和异物尺寸估计，提出铁路异物侵限图像扩充算法;然后提出了铁路复杂场景下基于深度学习的铁路异物侵限视频检测及预警模型，并将其应用在铁路异物侵限视频监测软件系统中。具体研究内容包括以下方面: （1）分析了铁路异物侵限检测、目标检测和轨道线检测等国内外研究现状,对相关理论基础、算法模型和目标检测相关评价指标进行了介绍。 （2）针对铁路异物侵限图像少、质量低等问题，提出了轨道检测下基于尺寸估计的铁路异物侵限图像扩充算法。该算法兼顾了轨道线中直轨和弯轨的检测效果，摆脱了传统轨道线检测的局限性。在轨道检测后，本文建立成像图中的轨距计算模型，同时从公共数据集MicrosoftCOCO中提取异物样本，基于尺寸估计和合成思想对异物侵限图像进行扩充，并利用IoU和YOLOv5预训练权重对合成图像进行评估，以实现对铁路异物侵限图像数据集的有效扩充。 （3）为了构建适用于铁路复杂场景监控系统中的异物侵限监测模型，根据应用需求，本文在YOLOv5的基础上对目标检测网络进行改进，在保证检测精度的同时大幅提高检测速度。基于本研究所采用的数据集，通过骨干网络轻量化、引入注意力机制和优化损失函数等对检测模型进行改进，并通过一系列对比实验验证模型改进的有效性。实验结果表明，对比原始的YOLOv5s模型，本文模型体积降低了26.3％,GFLOPs降低了32.3％,视频检测速度指标FPS提升了34.6％,检测精度提升到94％以上;对比经典的FasterRCNN、SSD等模型，本文模型的整体性能也大幅提升。此外，本文还在目标检测基础上添加目标跟踪模块，以实现对异物目标的监测预警。 （4）从铁路异物侵限视频检测功能需求出发，基于Python编程语言搭建了铁路异物侵限视频监测软件，实现了异物检测区域划分、铁路异物侵限监测与预警等功能，并在真实铁路异物侵限视频上对软件功能进行测试验证。验证结果表明,本软件搭载的模型能对异物进行较准确的识别和预警。
NETL