基于改进YOLOv3的站口行人检测方法

针对YOLOv3算法在行人检测上准确率低和漏检率高的问题,提出一种改进型YOLOv3的行人检测方法,并将其定义为GA-Wide-YOLOv3。该方法首先以行人头肩小目标为检测对象,进行重构数据集,利用遗传算法重新对目标先验框进行聚类,优化anchor参数,提高先验框与数据集的重合程度;其次改进YOLOv3,通过加宽网络宽度、减少网络深度,获得针对小目标检测的较大视野阈,避免梯度消失;最后,将多尺度检测算法3个yolo层前的1*1,3*3的卷积组各去掉2组,减少头肩小目标在复杂背景下的漏检率。在收集的数据集HS6936上进行对比实验,结果表明,基于遗传算法改进的K-means算法,平均交并比为81.89%,提高了0.8%;改进的YOLOv3算法检测平均准确率(mAP)为75.35%,召回率为81.20%,查准率为99.99%,较原始YOLOv3算法分别提高了2.53%,0.88%和2.75%。     

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。     

计及少样本的YOLOv5s轨枕掉块小目标缺陷检测方法研究

轨枕作为固定钢轨和扣件的重要轨道零部件之一,由于长期承受钢轨传来的各种作用力,其端部易出现掉块,造成轨道机械结构稳定性下降,故轨枕掉块缺陷检测对保证列车正常运行起到重要作用。针对轨枕掉块缺陷检测方法存在精度较低和缺陷样本少的问题,提出一种计及少样本的YOLOv5s轨枕掉块小目标缺陷检测方法。首先,采用Copy-Pasting数据增强方法增加轨枕图像中掉块小目标数量,解决缺陷样本少的问题;其次,通过降低网络下采样倍数和删除大尺度检测层的方式改进YOLOv5s模型的多尺度检测层,提高轨枕掉块缺陷检测精度和速度;然后,将锚框之间的平均交并比作为距离量度改进K-means聚类算法,并使用遗传算法优化,重新匹配适合轨枕掉块缺陷检测的锚框;最后,使用跨尺度连接结构和双向特征加权融合模块改进YOLOv5s的特征融合结构,增强特征融合能力。实验结果表明,与原模型相比较,改进后的YOLOv5s模型平均精度达到94.1%,提高2.3%,检测速度达到93.3 fps,提高26.6 fps,能够准确且快速地识别轨枕掉块小目标缺陷。     

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。     

施工场景下基于YOLOv3的安全帽佩戴状态检测

针对现有安全帽检测研究中采用的两阶段检测法存在检测效率偏低,累积误差对精度影响较大的问题,提出一种对安全帽的单阶段检测法。将安全帽和工人头部视为一个整体,将检测目标分为2类,即佩戴安全帽的头部和未佩戴安全帽的头部,同时对2类目标进行检测,避免了冗余的计算步骤及累积误差的影响。同时,针对施工场景安全帽佩戴状态检测特点,对YOLOv3的网络结构、损失函数及先验框尺寸进行改进,提出YOLOv3-C模型。研究结果表明:改进后的YOLOv3-C模型的检测性能大幅提升,在本文建立的样本集中模型的mAP达到93.84%,对安全帽检测平均精度达到97.01%,对工人头部检测平均精度达到90.67%,同时YOLOv3-C对本文的检测场景表现出良好的鲁棒性。     

基于YOLO算法的高速铁路客运车站钢结构雨棚螺栓缺失检测系统

当前，我国高速铁路客运车站钢结构雨棚螺栓缺失检测过于依赖人工目测，其危险系数大、成本高、效率低且误检率高。为解决该问题，提出一种基于YOLO(You Only Look Once)算法的螺栓缺失检测系统。该系统采用YOLOv4卷积神经网络，对现场采集的钢结构雨棚和接触网螺栓进行标注，通过K-means聚类算法，确定锚框数目和尺寸；利用CutMix和Mosaic等数据增强操作，增加训练数据的多样性，避免出现训练过拟合。试验结果表明，该系统类别识别准确率可达85%以上，识别效果较好，满足检测实时性要求。     

列车司机手势识别方法研究

按照司乘标准执行规定的手势是列车司机驾驶操作的重要环节,通过对司机手势进行检测,能够有效评估列车司机的驾驶状态和操作质量,保证列车行车安全。传统人工检查方式效率低,难以满足实际需求,现有的手势识别算法存在模型参数量大、检测精度较低、检测速度慢等问题。随着智能铁路的发展,利用深度学习方法构建轻量化、高效、高精度的列车司机手势识别模型逐渐成为行业发展需求。针对上述需求,提出一种基于改进YOLOv5的列车司机手势识别模型。首先,引入轻量化卷积PConv改进YOLOv5中的C3模块,降低检测网络的参数量和计算量,提升模型检测效率,并在其后添加CBAM模块,加强重要特征信息,抑制无关信息的干扰,强化检测网络特征提取能力;其次,在颈部层引入BiFPN网络结构替换PANet网络结构,增强不同尺度特征的融合能力,同时通过新增小目标检测层,提高模型对小目标的检测能力;最后,选择Focal-EIoU作为边界框损失优化模型损失函数,加快模型的收敛速度,提高手势定位精度。实验结果表明,改进模型在测试集下mAP@0.5可达97.7%,平均检测时间为23.2 ms,相较于YOLOv5计算量降低了23.1%,mAP...     

基于改进YOLOv2的动车组裙板螺栓检测

目前,动车组运行故障图像检测系统(TEDS)采集的动车组关键部位图像主要由人工判别,为提高裙板螺栓检测效率,提出一种基于改进YOLOv2的运行动车组裙板螺栓丢失检测方法.首先,通过K-Means聚类分析待检测螺栓区域目标框尺寸;其次,针对目标区域尺寸相似且较小的情况,在单尺度检测的YOLOv2模型中增加Spa-tial...     

基于改进Faster R-CNN的CRTSⅡ型轨道板裂缝检测方法

高速铁路无砟轨道伤损检测维修的准确率和时效性关乎高速铁路的运营安全，采用机器视觉技术进行高速铁路无砟轨道板裂缝伤损检测可极大提升检测工作的准确率和效率，为此根据CRTSⅡ型轨道板裂缝伤损样本数据特点，提出一种基于改进Faster R-CNN的方法对轨道板裂缝进行检测。该改进方法将检测问题转化为定位问题，精简网络模型，其主干网络选用残差网络，避免网络深度过深而导致学习速度下降；引入引导锚框，以减少冗余锚框，提高检测针对性；采用Soft-NMS算法，改善轨道板裂缝检测的重叠状况，提高裂缝检测效果。为评估该改进方法的可靠性，建立CRTSⅡ型轨道板裂缝检测评价标准，并依据该评价标准将改进方法与R-FCN,YOLO-v5,Faster R-CNN及YOLOx网络算法进行对比测试。结果表明：提出的改进方法综合表现优于其他算法，具有更高的准确率以及最小的漏检率，最佳模型查准率为95.9%，查全率为89.6%，相较于其他几种经典算法分别提高了约2%～4%和2%～6%，能够较好地应用于CRTSⅡ型轨道板裂缝检测场景。     

基于深度学习的高铁接触网顶紧螺栓的缺陷检测

针对高铁接触网顶紧螺栓目标小、缺陷检测困难的问题,提出一种基于深度学习的顶紧螺栓缺陷检测方法。根据4C检测车拍摄的高铁接触网图片(大小为6600*4400 pixels),首先对特征信息更多的斜撑套筒进行定位,采用TDM模块与SSD相结合的算法提升算法对小目标的检测精度,并通过改变默认框的尺寸以得到更好的检测精度和速度;然后利用DeepLab v3 plus算法对顶紧螺栓部分进行语义分割;最后提出一种阈值法对顶紧螺栓的缺陷情况进行判别。为满足实际工程的速度需求,对训练好的模型进行优化。实验结果表明:相较于经典的SSD,本文改进的SSD方法对斜撑套筒的定位精度和速度都有提升;对于6600*4400 pixels的原始样本,本文提出的顶紧螺栓缺陷检测方法精度上达到95.9%,速度达到17.9 fps。     

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。     

非限制场景下铁路机车车号定位检测方法

针对传统铁路机车车号定位检测模型泛化性较低，不适用于多种检测应用场景等问题，提出一种适用于非限制场景、基于YOLO(You Only Look Once)v4-tiny模型的铁路机车车号定位检测方法。文章采用空洞卷积代替标准卷积，增大机车车号特征提取感受野，提升传统YOLOv4-tiny模型的检测精度；建立铁路机车车号数据集（RLND,Railway Locomotive Number Dataset），用于模型训练，并对模型的检测效果进行验证。验证结果表明，该方法对铁路机车车号的定位检测精度为99.44%，检测速度为50帧/s，能够应对非限制场景下的机车车号定位检测需求。     

基于深度特征匹配的转辙机自动开闭器静接点尺寸测量方法研究

自动开闭器是转辙机上负责动作控制与状态表示的频繁动作关键部件，使用过程中的接点磨损会影响控制与反馈电路的导通。然而，由于其安全关键、磨损样本稀少、工作环境恶劣，使得自动开闭器的在线监测成为转辙机维护维修的难题。针对上述问题，基于机器视觉提出一种深度特征匹配的目标检测方法。首先利用VGGNet自适应地提取接点模板和待搜索样本的深度特征，采取归一化互相关算法和反向映射算法完成目标定位，利用权重优化和非极大值抑制优化边界框，实现小样本数据集情况下兼顾精度与鲁棒性的目标定位；然后使用大津法二值化、中值滤波、水平差分算子等完成静接点图像处理；最后使用标定板换算获得静接点的几何尺寸数据。实验结果表明：本方法在实际应用中的定位检测精度达到85.93%,召回率达到90.63%,F1达到88.22%;在尺寸测量误差方面，RMSE、MAE、MAPE分别为2.56 mm、1.55 mm、12.94%。     

基于YOLOv3算法的轨道扣件自动定位与检测

针对目前轨道扣件人工检测效率低、准确率低等问题,提出了基于YOLOv3算法的轨道扣件自动定位及检测方法。采集有砟轨道和无砟轨道的扣件图像并进行标注,通过K-means聚类确定预设边界框大小;为了更好地检测到细粒度特征,采用4个不同尺度的特征图来进行对象检测;对Darknet-53网络进行改进,有利于解决深层次网络的梯度问题,增加轨道扣件目标识别模型的识别效果。试验结果表明,该方法对轨道扣件目标识别效果较好,检测准确率较高。     

基于异质集成学习方法的城轨列车客流智能分析系统研究

为解决当前城市轨道交通（简称：城轨）列车客流分析存在的检测精度不高和适用场景单一等问题，设计了一种基于异质集成学习方法的城轨列车智能客流分析系统。该系统基于云边协同架构，采用分组Voting方法，将YOLOv5s(You Only Look Once v5s)、FCHD(Fully Convolutional Head Detector)、CSRNet(Network for Congested Scene Recognition)模型作为基模型进行集成，最终实现客流统计、拥挤度分析和辅助清客等功能。利用北京城轨某线路列车的监控图像数据进行实验，结果表明，与其他各基模型相比，该系统采用的模型检测效果更佳，有效提升了检测精度，丰富了可适用的检测场景。     

面向复杂环境的接触网关键设备缺陷检测方案

针对小样本及复杂环境下接触网关键设备缺陷检测难等问题，提出一种融合深度卷积神经网络和卡尔曼滤波的图像检测方案。采用MobileNet构建模型骨干网络，有效降低了计算成本；融合柔性非极大值抑制算法解决目标部件遮挡问题，并将上下文感知ROI池化层取代原始池化层，维护了小尺寸零部件的原始结构；最终通过卡尔曼滤波对检测结果进行修正，有效提高检测精度。实验结果表明：本文所述方法能够对复杂接触网设备实现零部件的精确检测，与相同条件下的其他检测算法相比综合性能最佳。     

城轨交通接触网悬挂状态智能检测算法及应用

通过高清成像对接触网悬挂状态进行检测,及时发现零部件松脱卡磨断等缺陷问题并维修,是保障城轨交通接触网系统安全运行的重要手段。采用YOLOV4的最小版本YOLOV4-tiny作为检测算法的基础模型,将原有Dropout层去掉,将上层特征直接经过卷积层后输入到下层卷积层,并加入Mosaic数据增强方式提高算法的泛化性,同时将原有Leaky-Relu函数替换为更加平滑的Mish函数。接触网缺陷定位的流程为：根据改进后的YOLOv4-tiny算法训练得到零部件区域定位模型,用于定位零部件的位置;再根据改进后的YOLOv4-tiny算法训练得到缺陷识别模型,用于判断该零部件是否有缺陷,并给出缺陷的具体位置和缺陷类别。实际应用表明：该算法能准确、快速定位零部件缺陷位置,并给出缺陷类型,总精度达90%以上,大大地降低了检测耗时与成本,并保障了作业人员安全。     

基于改进YOLOX的轻量级钢轨表面缺陷检测算法北大核心

针对现有基于深度学习的钢轨表面缺陷检测方法在嵌入式检测系统上兼容性较差、计算资源占用高以及检测速度慢的问题,提出了一种基于改进YOLOX的轻量级钢轨表面缺陷检测算法。模型中主干特征层以MobileNetv3单元为基础,在保留其网络轻量化的同时进行局部优化,改进了浅层网络的激活函数,嵌入了SE(Squeeze and Excitation)注意力机制;在加强特征层优化了尾部的冗余卷积。通过与几种代表性算法进行对比试验,验证该算法的性能。结果表明:本文提出的改进算法在模型参数量仅为1.10×106的情况下,检出率和准确率分别达到了92.17%和90.92%,每秒传输帧数(Frame Per Second,FPS)为115.07,模型大小仅为原模型的1/5。该算法在保证较高检测精度的同时大大降低了模型参数量,并提升了检测速度,更适合部署于算力有限的嵌入式轨道检测系统,可为钢轨缺陷高效检测提供有效手段。     

基于铁路5C装置的受电弓滑板缺陷智能检测技术

受电弓的异常状态是对高速铁路运营安全影响较大且备受关注的问题.基于计算机视觉的受电弓滑板缺陷智能检测技术,结合改进的YOLOv4模型与边缘提取等传统图像处理算法,研究适用于受电弓滑板监测装置(5C)的缺陷智能识别模型.铁路现场试验证明该智能识别模型在受电弓滑板缺陷检测中的有效性和实时性.