针对轨道扣件车载实时定量检测中检测的速度与精度难以平衡以及设备空间有限的问题,提出一种基于边缘AI计算的改进YOLOv8(You Only Look Once version 8)轨道扣件定量检测方法,并进行了部署和测试。首先,为实现轻量化部署,优化YOLOv8网...针对轨道扣件车载实时定量检测中检测的速度与精度难以平衡以及设备空间有限的问题,提出一种基于边缘AI计算的改进YOLOv8(You Only Look Once version 8)轨道扣件定量检测方法,并进行了部署和测试。首先,为实现轻量化部署,优化YOLOv8网络结构,嵌入移动神经网络V3(MobileNetV3)轻量化网络,引入压缩激励(SE)注意力机制,并重构颈部网络,加入可变形卷积;其次,结合推理引擎加速方法优化重构的网络模型,并将其部署在Jetson AGX Xavier边缘AI计算设备上;最后,对分割结果进行像素级提取,引入最小外接矩阵,定量分析扣件的断裂程度和偏转角度,并优化检测结果。结果表明:改进后的轻量化网络参数数量减少了22%;在边缘AI计算设备上的帧率相对原YOLOv8模型提升了80%,达到58帧·s^(-1);通过定量分析结果对模型进行修正,平均精度达到了97.0%,满足检测车辆所需的最低45帧·s^(-1)检测要求,实现了轨道扣件的定量化实时检测。展开更多
针对常规深度学习网络规模大、对现场设备硬件要求高且人工标注位置数据复杂费时等问题,提出了一种语义数据标注的轻量化轨道扣件故障检测方法。该方法仅对训练数据做语义标注,改进轻量化Transformer模型,嵌入梯度加权类激活映射(gradie...针对常规深度学习网络规模大、对现场设备硬件要求高且人工标注位置数据复杂费时等问题,提出了一种语义数据标注的轻量化轨道扣件故障检测方法。该方法仅对训练数据做语义标注,改进轻量化Transformer模型,嵌入梯度加权类激活映射(gradient-weighted class activation mapping,简称Grad-CAM)模块对模型输出的特征图权重作映射处理,可将模型对轨道扣件检测效果可视化。将获得的激活图进行二值化定位检测目标位置,实验结果表明,在真实铁路环境下,改进的轻量化轨道扣件模型的准确率为94.31%。展开更多
文摘针对轨道扣件车载实时定量检测中检测的速度与精度难以平衡以及设备空间有限的问题,提出一种基于边缘AI计算的改进YOLOv8(You Only Look Once version 8)轨道扣件定量检测方法,并进行了部署和测试。首先,为实现轻量化部署,优化YOLOv8网络结构,嵌入移动神经网络V3(MobileNetV3)轻量化网络,引入压缩激励(SE)注意力机制,并重构颈部网络,加入可变形卷积;其次,结合推理引擎加速方法优化重构的网络模型,并将其部署在Jetson AGX Xavier边缘AI计算设备上;最后,对分割结果进行像素级提取,引入最小外接矩阵,定量分析扣件的断裂程度和偏转角度,并优化检测结果。结果表明:改进后的轻量化网络参数数量减少了22%;在边缘AI计算设备上的帧率相对原YOLOv8模型提升了80%,达到58帧·s^(-1);通过定量分析结果对模型进行修正,平均精度达到了97.0%,满足检测车辆所需的最低45帧·s^(-1)检测要求,实现了轨道扣件的定量化实时检测。
文摘针对常规深度学习网络规模大、对现场设备硬件要求高且人工标注位置数据复杂费时等问题,提出了一种语义数据标注的轻量化轨道扣件故障检测方法。该方法仅对训练数据做语义标注,改进轻量化Transformer模型,嵌入梯度加权类激活映射(gradient-weighted class activation mapping,简称Grad-CAM)模块对模型输出的特征图权重作映射处理,可将模型对轨道扣件检测效果可视化。将获得的激活图进行二值化定位检测目标位置,实验结果表明,在真实铁路环境下,改进的轻量化轨道扣件模型的准确率为94.31%。
