SOM与HL融合的地铁异物分类算法

作者：刘伟铭; 杜逍睿; 李静宁; 郑仲星

来源：铁道标准设计, 2020, 64(07): 161-165.

DOI：10.13238/j.issn.1004-2954.201907250004

• 地铁异物分类
• SOM
• Hebbian Learning
• PCA

地铁站台门与列车门之间异物的检测和对异物的种类判别是保障乘客安全乘车和列车安全运行的基础。使用改进的Self-organizing Map(SOM)分别学习训练图片的数据分布和分类标签的数据分布,再通过Hebbian Learning(HL)学习图片SOM神经元和对应标签SOM神经元之间的数学关并编码在HL矩阵中,最后以查表方式完成异物分类。研究结果表明:改进的SOM+HL模型把分类准确率从原始模型的64.44%提高到72.6%;增加PCA(Principal components analysis)模块的SOM+HL模型使异物检测分类器的分类准确率从72.6%提高到86.2%,且其在NannoPC-T2嵌入式板上的检测速度从45FPS提高到60FPS,在满足分类精度的同时也实现了异物实时分类。且有PCA模块的模型在NannoPC-T2嵌入式板上检测速度为60FPS,移除PCA模块后其在NannoPC-T2嵌入式板上的检测速度为45FPS。

• 单位
  华南理工大学