摘要
中国已经成为世界上规模最大，运营速度最快的高速铁路国家。截至2022年底，我国铁路运营里程达到15.5万公里，其中全国高速铁路道4.2万公里。随着我国高速铁路规模的不断扩大和运行时速不断提高，高铁周界入侵检测也提到新高度。目前，高铁周界入侵检测缺乏成熟可靠的技术安防手段，仅仅依靠人工现场监测，既耗费大量人工，又有漏检问题发生。近年来，深度学习在目标检测领域发展迅速，本文将基于深度学习的目标检测算法应用于高铁周界入侵检测任务中。主要研究内容如下： （1）针对高铁运行环境的复杂性和多样性，构建高铁周界入侵数据集显得尤为重要。本次实验在真实高铁运行环境和国家铁路实验中心采集数据，并通过视频抽帧的方式制作数据集。同时，采用Mosaic数据增强和Mixup数据增强等技术增加数据多样性，扩充数据集，以提高模型的鲁棒性，使其更适用于各种铁路场景。 （2）由于高铁线路监控摄像机的安装位置较高，监控视频中存在许多小目标，传统的图像检测方法难以有效应对。针对高铁周界入侵远距离目标，分辨率低，特征提取困难，通道信息有限的情况，通过对基础检测网络YOLOv5添加新型的高效多尺度注意力(Multi-ScaleAttention，EMA)模块，增强对小目标的特征提取能力，提高检测方法的泛化能力。 （3）高铁周界入侵检测对实时性要求极高，需要在现场使用边缘服务器进行实时计算，通过修改YOLOv5中的Neck部分，将原有的卷积替换为GSconv，其中采用了深度可分离卷积来降低模型计算量，并与VoV-GSCSP构建Slim-Neck，来降低参数量和模型复杂度。同时，修改损失函数降低计算量，提高检测精度。这一系列改进旨在使模型更加轻量、高效，以适应边缘服务器的实时计算需求。 （4）在边缘服务计算平台搭建高铁周界入侵检测系统，将改进后的模型部署至AGX嵌入式平台，使用FFmpeg对视频进行解码，并经解码后的视频图像传入模型，经过模型推理后最终实现实时检测报警功能。
NETL