基于深度学习的动车组运行安全图像异物检测

作者：周雯; 史天运^*; 李平; 马小宁

来源：交通信息与安全, 2019, 37(06): 48-55.

• 智能交通
• 动车组异物检测
• 卷积神经网络
• 多尺度
• 样本不平衡
• 实例分割

动车组在运行过程中容易附着塑料袋等异物,影响动车组的运行安全。针对动车组运行安全图像异物自动检测的问题,研究基于卷积神经网络的动车组异物检测与分割模型,该模型采用特征金字塔网络提取异物的多尺度融合特征,通过区域提议网络生成未知类别的候选区域,通过预测网络对候选区域进行分类和位置回归,并通过分割网络生成预测区域的蒙版。针对异物形态变化多样,采用可变形卷积改变感受野适应异物形态的变化。针对异物检测任务中异物数量远小于背景零部件的数量,采用在线困难样本挖掘筛选出困难样本重新输入预测网络以平衡正负样本的比例。实验分析表明,通过优化方法使得最终模型检测精度达到了90.35%,提升了4.03%;召回率达到94.85%,提升了8.1%。

• 单位
  中国铁道科学研究院