基于生成对抗网络的地铁OD需求短时预测

针对目前地铁列车车顶部件检查主要依靠人工,劳动强度大、漏检率高等问题,提出了一种基于YOLOv5s模型的地铁列车车顶关键部件检测算法。考虑现场算力不足的实际情况,对YOLOv5s模型进行轻量化设计,将YOLOv5s模型Backbone中的C3模块替换为Ghost_C3模块,并改用Ghost卷积取代YOLOv5s模型中的传统卷积,从而降低模型复杂度和计算量;为补偿轻量化设计带来的模型性能降低的损失,在Ghost_C3模块中引入CA注意力机制,加强对关键部件的特征感知,从而提升模型精度。
实验结果表明,改进的YOLOv5s模型每秒传输帧数为102.04 f/s,mAP为97.98%,Pars为4.47 MB,FLOPs为10.2 GB,相比于原有YOLOv5s模型,mAP提升1.36%,Pars减少33.98%且FLOPs减少36.65%,所提算法能够为后续的地铁列车车顶关键部件服役状态辨识提供技术支撑。