铁路异物侵限在线监测技术是铁路运行安全和旅客生命财产安全的重要保障.针对当前异物检测算法存在的遮挡目标检测、小目标检测不全不准等问题,提出一种基于YOLOv8的铁路异物检测算法Vanilla-YOLOv8.首先,结合VanillaNet中减少网络深度...铁路异物侵限在线监测技术是铁路运行安全和旅客生命财产安全的重要保障.针对当前异物检测算法存在的遮挡目标检测、小目标检测不全不准等问题,提出一种基于YOLOv8的铁路异物检测算法Vanilla-YOLOv8.首先,结合VanillaNet中减少网络深度、短接分支以及通过改变深度训练策略和动态调节激活函数状态增强非线性能力的思想,改善YOLOv8模型中由于网络层数过多、短接分支过盛带来的模型退化、耗时以及深层小目标特征消失等问题,提高模型的特征提取能力和检测速度;然后,利用改进的局部卷积减少冗余特征的出现,确保特征能被充分利用;最后,在网络主干部分融入压缩激励(Squeeze-and-Excitation,SE)注意力机制,提高网络中关键特征的权重,加强对遮挡目标和小目标的特征表征能力和检测能力.实验结果表明:Vanilla-YOLOv8算法的平均精度均值达到98.7%,参数量下降61.39%,识别速度达到125帧每秒(Frames Per Second,FPS),速度和检测精度较传统的图像处理技术有较大提升.研究结果可以为在线实时监测提供参考.展开更多
文摘铁路异物侵限在线监测技术是铁路运行安全和旅客生命财产安全的重要保障.针对当前异物检测算法存在的遮挡目标检测、小目标检测不全不准等问题,提出一种基于YOLOv8的铁路异物检测算法Vanilla-YOLOv8.首先,结合VanillaNet中减少网络深度、短接分支以及通过改变深度训练策略和动态调节激活函数状态增强非线性能力的思想,改善YOLOv8模型中由于网络层数过多、短接分支过盛带来的模型退化、耗时以及深层小目标特征消失等问题,提高模型的特征提取能力和检测速度;然后,利用改进的局部卷积减少冗余特征的出现,确保特征能被充分利用;最后,在网络主干部分融入压缩激励(Squeeze-and-Excitation,SE)注意力机制,提高网络中关键特征的权重,加强对遮挡目标和小目标的特征表征能力和检测能力.实验结果表明:Vanilla-YOLOv8算法的平均精度均值达到98.7%,参数量下降61.39%,识别速度达到125帧每秒(Frames Per Second,FPS),速度和检测精度较传统的图像处理技术有较大提升.研究结果可以为在线实时监测提供参考.
