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。