科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着中国高速铁路里程的迅速增长，接触网安全稳定运营面临巨大压力，对其进行视频监控具有重要意义。针对影响电气化铁路接触网正常工作的鸟巢异物进行研究，提出一种基于深度学习的鸟巢异物检测方法，首先利用最邻近插值法进行图像缩放，然后采用双边滤波算法对图像进行去噪，进而用直方图均衡化算法进行图像增强。通过将YOLO v3与Faster RCNN两种目标检测方法进行详细对比分析，给出了准确率、误检率、漏检率和检测速度等检测指标，试验结果表明，所采用的鸟巢异物检测模型Faster RCNN在检测鸟巢的准确率、误检率以及漏检率上表现更优，但是检测速度慢于YOLO v3算法，2种基于深度学习的鸟巢异物检测算法均达到85%以上的准确率，能够有效进行铁路鸟巢异物检测，大大降低了人工干预的成本。
-
单位中国铁道科学研究院
