基于改进YOLOv5的高铁周界入侵人员检测方法研究

U28%U238; 针对高铁周界入侵人员检测研究中,存在远距离入侵目标识别效果差的问题,提出一种基于改进YOLOv5 的高铁周界入侵人员检测方法.首先,在YOLOv5s模型的Neck网络层融合坐标注意力机制,以提升模型的特征提取能力;其次,增加一个预测层来提升对远距离入侵人员的检测性能;进一步地,利用K-means聚类算法得到数据集合适的anchor框;最后,改进边界框回归损失函数以提高边界框的定位精度.另外,构建了面向典型场景的高铁周界入侵图像样本库,利用样本库对改进的模型进行训练与测试.试验表明,改进后的模型可以有效检测出高铁周界入侵人员,改进了漏报误报等情况,比原始 YOLOv5s 模型...

Full description

Saved in:
Bibliographic Details
Published in铁道标准设计 Vol. 67; no. 9; pp. 162 - 169
Main Authors 傅荟瑾, 史天运, 王瑞, 徐成伟, 张万鹏, 栗文韬
Format Journal Article
LanguageChinese
Published 中国铁道科学研究院研究生部,北京 100081%中国铁道科学研究院集团有限公司科信部,北京 100081%中国铁道科学研究院集团有限公司电子计算技术研究所,北京 100081%北京经纬信息技术有限公司,北京 100081 2023
Subjects
损失函数
注意力机制
loss function
周界入侵
YOLOv5
attention mechanism
高速铁路
目标检测
high-speed railway
perimeter intrusion
object detection
Online AccessGet full text

Cover

More Information
Summary:U28%U238; 针对高铁周界入侵人员检测研究中,存在远距离入侵目标识别效果差的问题,提出一种基于改进YOLOv5 的高铁周界入侵人员检测方法.首先,在YOLOv5s模型的Neck网络层融合坐标注意力机制,以提升模型的特征提取能力;其次,增加一个预测层来提升对远距离入侵人员的检测性能;进一步地,利用K-means聚类算法得到数据集合适的anchor框;最后,改进边界框回归损失函数以提高边界框的定位精度.另外,构建了面向典型场景的高铁周界入侵图像样本库,利用样本库对改进的模型进行训练与测试.试验表明,改进后的模型可以有效检测出高铁周界入侵人员,改进了漏报误报等情况,比原始 YOLOv5s 模型的平均精度均值(IOU = 0.5)提升了5.22%,模型在小目标场景下具有较强的泛化能力.
ISSN:1004-2954
DOI:10.13238/j.issn.1004-2954.202203110002