我国铁路运输规模庞大,运行环境复杂,一旦人员入侵铁路运行区域,将严重威胁铁路运输安全。使用智能算法对铁路沿线摄像头采集到的视频图像进行分析检测,实时判断是否存在安全隐患,可以高效地维护铁路运输安全。然而,由于铁路沿线摄像头...我国铁路运输规模庞大,运行环境复杂,一旦人员入侵铁路运行区域,将严重威胁铁路运输安全。使用智能算法对铁路沿线摄像头采集到的视频图像进行分析检测,实时判断是否存在安全隐患,可以高效地维护铁路运输安全。然而,由于铁路沿线摄像头分布不均匀,当有远距离人员入侵时,在视频图像中呈现为小目标,易产生误检、漏检的问题。针对上述问题,提出一种改进的YOLOv8人员入侵检测方法。首先,在YOLOv8模型的Backbone层引入坐标注意力机制,提升了模型对小目标的特征提取能力,增强了其在复杂背景下的鲁棒性;其次,将Head层中的检测头改为融合了尺寸感知,空间感知和任务感知的动态检测头,将多个感知模块融合至一个检测头,使模型在检测不同尺寸目标时更加精准和高效;最后,将损失函数改为Wise Intersection over Union(Wise-IoU),使网络可以动态聚焦学习,更加专注于关键特征,提高了模型的泛化能力。经实验验证,每种改进均显著提升了模型的检测效果,与原始YOLOv8n模型相比,改进模型的精确率和召回率分别提升了2.2%和2.3%,达到91.6%和83.7%,mAP50和mAP50-95分别提升了2.6%和2.9%,达到89.9%和60.9%。相较其他先进的目标检测方法,研究结果也有更高的平均检测精度,证明其在铁路人员入侵检测场景中具有更高的应用价值,为铁路运输安全提供了更加可靠的技术保障。展开更多
文摘我国铁路运输规模庞大,运行环境复杂,一旦人员入侵铁路运行区域,将严重威胁铁路运输安全。使用智能算法对铁路沿线摄像头采集到的视频图像进行分析检测,实时判断是否存在安全隐患,可以高效地维护铁路运输安全。然而,由于铁路沿线摄像头分布不均匀,当有远距离人员入侵时,在视频图像中呈现为小目标,易产生误检、漏检的问题。针对上述问题,提出一种改进的YOLOv8人员入侵检测方法。首先,在YOLOv8模型的Backbone层引入坐标注意力机制,提升了模型对小目标的特征提取能力,增强了其在复杂背景下的鲁棒性;其次,将Head层中的检测头改为融合了尺寸感知,空间感知和任务感知的动态检测头,将多个感知模块融合至一个检测头,使模型在检测不同尺寸目标时更加精准和高效;最后,将损失函数改为Wise Intersection over Union(Wise-IoU),使网络可以动态聚焦学习,更加专注于关键特征,提高了模型的泛化能力。经实验验证,每种改进均显著提升了模型的检测效果,与原始YOLOv8n模型相比,改进模型的精确率和召回率分别提升了2.2%和2.3%,达到91.6%和83.7%,mAP50和mAP50-95分别提升了2.6%和2.9%,达到89.9%和60.9%。相较其他先进的目标检测方法,研究结果也有更高的平均检测精度,证明其在铁路人员入侵检测场景中具有更高的应用价值,为铁路运输安全提供了更加可靠的技术保障。
