基于注意力机制的铁路入侵目标识别方法

TN925; 异物入侵检测对于保障铁路运营安全十分重要,针对传统铁路综合视频监控效率低、检测精度差以及现有智能检测算法检测速度慢等问题,结合注意力机制和目标检测模型在边端进行入侵目标检测.在提高检测精度方面,将包括空间注意力模块和通道注意力模块的卷积注意力模块(Convolutional block attention module,CBAM)模块融合到YOLOv5模型当中,构建了CBAM-YOLOv5模型,并采用距离交并比非极大值抑制(Dis-tance intersection-over-union_non-maximum suppression,DIoU_NMS)算法代替加权非极大值抑制...

Full description

Saved in:
Bibliographic Details
Published in南京航空航天大学学报（英文版） Vol. 41; no. 4; pp. 541 - 554
Main Authors 石江, 白丁元, 郭保青, 王尧, 阮涛
Format Journal Article
LanguageChinese
Published 国能朔黄铁路发展有限责任公司,北京 100080,中国%北京交通大学机械与电子控制工程学院,北京 100044,中国 2024
Subjects
通道注意力模块
铁路防护
边缘计算
edge computing
异物检测
空间注意力模块
spatial attention module
railway protection
channel attention module
foreign object detection
Online AccessGet full text
ISSN1005-1120
DOI10.16356/j.1005?1120.2024.04.010

Cover

More Information
Summary:TN925; 异物入侵检测对于保障铁路运营安全十分重要,针对传统铁路综合视频监控效率低、检测精度差以及现有智能检测算法检测速度慢等问题,结合注意力机制和目标检测模型在边端进行入侵目标检测.在提高检测精度方面,将包括空间注意力模块和通道注意力模块的卷积注意力模块(Convolutional block attention module,CBAM)模块融合到YOLOv5模型当中,构建了CBAM-YOLOv5模型,并采用距离交并比非极大值抑制(Dis-tance intersection-over-union_non-maximum suppression,DIoU_NMS)算法代替加权非极大值抑制算法,从而改善模型对入侵目标的检测效果;在提升检测速度方面,基于批量归一化(Bath normalization,BN)层对模型网络裁剪并对TensorRT推理加速,最终将算法移植到边缘设备.CBAM-YOLOv5模型在自建的铁路数据集上的检测精度提升了2.1%,平均精度均值(mean Average precision,mAP)达到了95.0%,在边缘设备上的推理速度达到了15帧/s.
ISSN:1005-1120
DOI:10.16356/j.1005?1120.2024.04.010