-
题名基于轻量化YOLOv8s的轨道扣件状态检测方法
被引量：1
- 1
-
-
作者
武福
蒋鹏民
李忠学
杨喜娟
吕金旺
-
机构
兰州交通大学机电工程学院
兰州交通大学电子与信息工程学院
-
出处
《北京交通大学学报》
CSCD
北大核心
2024年第5期59-68,共10页
-
基金
国家自然科学基金(56062028)
甘肃省教育厅产业支撑计划项目(2021CYZC-11)
甘肃省教育厅创新基金项目(2022A-036)。
-
文摘
铁路基础结构设施长期遭受车辆荷载以及外在环境因素影响,沿线的轨道扣件容易产生弹条丢失、偏移、损坏等问题,严重威胁轨道线路的安全运营.针对目前依赖人工目测和采样抽检等主观性强的检修方式所导致的检测效率低、漏检率高以及在边缘设备上无法实时检测的问题,提出一种基于YOLOv8s的轻量化轨道扣件状态检测模型FTEL-YOLO,旨在提高检测准确率和实时性.首先,参考FasterNet-Block的思想设计C2f-Faster模块以减小模型参数量;然后,为解决网络轻量化导致的模型检测精度下降的问题,在空间金字塔池化(Spatial Pyramid Pooling Fast,SPPF)模块之后引入三元注意力机制(Triplet Attention),并引用EIoU作为边界框回归损失函数来提升对复杂背景下轨道扣件不同状态的特征提取能力;最后,对改进后的模型进行基于层自适应幅度的剪枝(Layer-Adaptive Magnitude-based Pruning,LAMP)操作,进一步压缩模型以减小冗余,提高其在边缘设备上的应用能力.实验结果表明:改进后的模型FTEL-YOLO检测精度仅损失0.3%,但计算量、参数量和模型大小分别下降63.1%、65.6%和66.2%,在保持准确性的同时实现了轻量化.
-
关键词
深度学习
故障检测
轨道扣件
YOLOv8s
三元注意力机制
模型轻量化
-
Keywords
deep learning
fault detection
track fasteners
YOLOv8s
triplet attention
model light-weighting
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
U216.3
[交通运输工程—道路与铁道工程]
-
-
题名基于转向盘图像的驾驶员疲劳检测方法研究
被引量：2
- 2
-
-
作者
蒋鹏民
李海标
黄名柏
时君
-
机构
桂林电子科技大学
-
出处
《汽车技术》
CSCD
北大核心
2018年第9期21-24,共4页
-
基金
广西制造系统与先进制造技术重点实验室主任课题基金(桂科能10-046-07_003)资助
桂林电子科技大学研究生教育创新计划资助项目(2017YJCX09)
-
文摘
为避免因疲劳驾驶导致交通事故,提出一种基于转向盘图像的驾驶员疲劳检测方法。该方法利用摄像头实时采集转向盘图像,经过处理得到转向盘转角,进而提取与疲劳相关的零速百分比和角度标准差两项指标,在此基础上采用支持向量机融合算法建立了驾驶员疲劳判别模型。试验结果表明,所建立的判别模型检测正确率达85%,检测方法具有操作简单、实用性强和鲁棒性好等优点。
-
关键词
驾驶员
疲劳检测
转向盘图像
支持向量机
-
Keywords
Driver,Fatigue detection,Steering wheel image,Support vector machine
-
分类号
U463.6
[机械工程—车辆工程]
-
