CN113903009A - 一种基于改进YOLOv3网络的铁路异物检测方法与系统 - Google Patents

一种基于改进YOLOv3网络的铁路异物检测方法与系统 Download PDF

Info

Publication number
CN113903009A
CN113903009A CN202111506770.XA CN202111506770A CN113903009A CN 113903009 A CN113903009 A CN 113903009A CN 202111506770 A CN202111506770 A CN 202111506770A CN 113903009 A CN113903009 A CN 113903009A
Authority
CN
China
Prior art keywords
loss
frequency
feature map
low
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111506770.XA
Other languages
English (en)
Other versions
CN113903009B (zh
Inventor
王辉
吴雨洁
杨辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202111506770.XA priority Critical patent/CN113903009B/zh
Publication of CN113903009A publication Critical patent/CN113903009A/zh
Application granted granted Critical
Publication of CN113903009B publication Critical patent/CN113903009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明提出一种基于改进YOLOv3网络的铁路异物检测方法与系统，其中，该方法包括：通过设于铁路列车上的车载监控装置，以获取得到线路上的图像信息；对YOLOv3网络进行预训练，将特征图输入至层内多尺度模块并划分为低频特征图以及高频特征图，通过池化层将低频特征图进行压缩处理以降低分量冗余；然后输入至检测模块，分别计算得到异物对应的类别损失、位置损失以及置信度损失并输出最终权重文件；根据最终权重文件构建目标检测网络，以确定侵限异物的类别与位置。本发明提出的方法，可准确地得到铁路异物的位置和类别信息，以保证铁路列车自动驾驶的安全性。

Description

一种基于改进YOLOv3网络的铁路异物检测方法与系统
技术领域
本发明涉及异物检测技术领域，特别涉及一种基于改进YOLOv3网络的铁路异物检测方法与系统。
背景技术
随着我国经济的不断发展，我国的铁路建设也得到了极为快速的发展。其中，在铁路自动驾驶方向，自动驾驶技术水平的高低是铁路建设事业的核心竞争力。而铁路异物检测是实现铁路列车自动驾驶所要解决的重要问题，因此如何实现准确、高效的铁路异物检测是列车自动驾驶研究的热点问题之一。
目前，常见的铁路异物检测方法包括：基于传统机器视觉的检测方法以及基于深度学习的识别方法两大类。然而，基于传统机器视觉的检测方法一般是利用一些图像处理算子去提取图片中的纹理、形状和颜色等特征，然后在利用分类器区别图像的前景和背景像素。但是该方法中的特征提取算子如sift算子、hog算子易受到诸如光照，遮挡等外界环境因素的干扰。
基于此，有必要提出一种新型的铁路异物检测方法，以尽可能减小外界因素的干扰，提高运行效率。
发明内容
鉴于上述状况，有必要解决现有的铁路异物检测方法，容易受到光照、遮挡等外界环境因素干扰导致影响检测准确度的问题。
本发明实施例提供了一种基于改进YOLOv3网络的铁路异物检测方法，其中，所述方法包括如下步骤：
步骤一，通过设于铁路列车上的车载监控装置，以获取得到线路上的图像信息；
步骤二，利用铁路异物侵限数据集对YOLOv3网络进行预训练，将采集到的所述图像信息中的特征图输入至经预训练后的YOLOv3网络中的Darknet-53网络中的层内多尺度模块；
步骤三，通过所述层内多尺度模块将输入的特征图划分为低频特征图以及高频特征图，并通过Darknet-53网络中的池化层将含有冗余信息的低频特征图进行压缩处理以降低分量冗余；
步骤四，将经处理后的低频特征图以及高频特征图输入至检测模块，通过在检测模块中的类别损失函数、位置损失函数以及置信度损失函数，分别计算得到异物对应的类别损失、位置损失以及置信度损失；
步骤五，通过梯度下降法确认当所述类别损失、位置损失以及置信度损失均为最小时，输出最终权重文件；
步骤六，根据所述最终权重文件以及车载监控装置获取的视频信息构建目标检测网络，根据构建的所述目标检测网络以确定侵限异物的类别与位置。
本发明提出的基于改进YOLOv3网络的铁路异物检测方法，利用特征图中包含高频特征图以及低频特征图的特点，以降低低频特征图中的冗余信息为目的，从而节省整体算法的计算量，并运用三种不同的损失函数描述异物的位置损失、类别损失以及置信度损失；
此外，根据迭代训练次数自适应地改变学习率，既可以保证算法的收敛速度，又可以将损失函数降低到最低点；
在进行异物检测时，只需将特征图输入到网络中并加载保存的最终权重文件，便能得到待检测物体的类别和位置信息。本发明实施例中，基于YOLOv3网络，结合层内多尺度模块提出改进的YOLOv3算法，并将其用于铁路异物检测之中，可得到铁路异物的位置和类别信息，以保证铁路列车自动驾驶的安全性。
所述一种基于改进YOLOv3网络的铁路异物检测方法，其中，在所述步骤二中，利用铁路异物侵限数据集对YOLOv3网络进行预训练的方法包括：
对所述YOLOv3网络的参数进行初始化，其中，所述YOLOv3网络的参数包括初始参数
Figure 974249DEST_PATH_IMAGE001
、偏置
Figure 214869DEST_PATH_IMAGE002
、初始学习率
Figure 338682DEST_PATH_IMAGE003
以及最大训练次数max epoch；
对迭代训练次数进行赋值，并进行迭代训练计算；其中，第一次进行迭代训练时Epoch=1；
判断当前训练次数是否小于最大训练次数；
若所述当前训练次数小于所述最大训练次数，则通过所述层内多尺度模块将输入的特征图划分为低频特征图以及高频特征图；
若所述当前训练次数不小于所述最大训练次数，则结束迭代训练并输出所述最终权重文件。
所述一种基于改进YOLOv3网络的铁路异物检测方法，其中，在所述步骤四中，类别损失、位置损失以及置信度损失的计算方法包括：
根据预先设定的锚框确定正样本以及负样本；
根据设定的正样本的信息计算得到所述类别损失以及所述位置损失；
根据正样本的信息以及负样本的信息计算得到置信度损失。
所述一种基于改进YOLOv3网络的铁路异物检测方法，其中，所述类别损失函数表示为：
Figure 888612DEST_PATH_IMAGE004
其中，
Figure 566718DEST_PATH_IMAGE005
为所述类别损失函数，
Figure 375143DEST_PATH_IMAGE006
表示预测目标边界框
Figure 353464DEST_PATH_IMAGE007
中是否存在第
Figure 74295DEST_PATH_IMAGE008
类目标
Figure 505276DEST_PATH_IMAGE009
为预测值，
Figure 353278DEST_PATH_IMAGE010
，
Figure 920525DEST_PATH_IMAGE011
表示经过sigmoid激活后得到的目标概率，
Figure 343416DEST_PATH_IMAGE012
为正样本个数，
Figure 996115DEST_PATH_IMAGE013
表示预测值C和真实值O均来自于正样本，
Figure 149272DEST_PATH_IMAGE014
表示所有的预测值C和真实值O均包含在检测样本的所有类别中，
Figure 836605DEST_PATH_IMAGE007
表示检测目标的序号。
所述一种基于改进YOLOv3网络的铁路异物检测方法，其中，所述位置损失函数表示为：
Figure 164818DEST_PATH_IMAGE015
其中，
Figure 304812DEST_PATH_IMAGE016
表示位置损失函数，
Figure 494617DEST_PATH_IMAGE017
，
Figure 36456DEST_PATH_IMAGE018
，
Figure 535571DEST_PATH_IMAGE019
，
Figure 162861DEST_PATH_IMAGE020
，
Figure 654891DEST_PATH_IMAGE021
，
Figure 316817DEST_PATH_IMAGE022
，
Figure 986832DEST_PATH_IMAGE023
，
Figure 835840DEST_PATH_IMAGE024
；
Figure 633026DEST_PATH_IMAGE025
表示YOLOv3网络对预测框的中心坐标的横坐标预测值经过Sigmoid函数后的输出值，
Figure 149458DEST_PATH_IMAGE026
表示YOLOv3网络对预测框的中心坐标的纵坐标预测值经过Sigmoid函数后的输出值，
Figure 990375DEST_PATH_IMAGE027
表示YOLOv3网络对预测框宽度的预测值，
Figure 529940DEST_PATH_IMAGE028
表示YOLOv3网络对预测框高度的预测值，
Figure 114506DEST_PATH_IMAGE029
与
Figure 522660DEST_PATH_IMAGE030
表示真实目标边界框相对于网格左上角横坐标和纵坐标的相对偏移量，
Figure 534479DEST_PATH_IMAGE031
与
Figure 623657DEST_PATH_IMAGE032
表示真实目标边界框相对于锚框的宽度和高度的放缩比例经过ln函数输出后的值，
Figure 949596DEST_PATH_IMAGE033
为目标检测网络的最终得到的四个预测变量，
Figure 191353DEST_PATH_IMAGE034
为实际目标边界框的中心坐标，
Figure 170810DEST_PATH_IMAGE035
与
Figure 481706DEST_PATH_IMAGE036
表示真实目标边界框的宽度和高度，
Figure 611336DEST_PATH_IMAGE037
为第
Figure 206134DEST_PATH_IMAGE038
个目标所在网格的左上角坐标，
Figure 559755DEST_PATH_IMAGE039
和
Figure 357947DEST_PATH_IMAGE040
分别为锚框的宽度和高度。
所述一种基于改进YOLOv3网络的铁路异物检测方法，其中，所述置信度损失函数表示为：
Figure 88006DEST_PATH_IMAGE041
其中，
Figure 38775DEST_PATH_IMAGE042
表示所述置信度损失函数，
Figure 563297DEST_PATH_IMAGE043
表示预测边界框与实际边界框的IOU值，
Figure 848785DEST_PATH_IMAGE044
，
Figure 382535DEST_PATH_IMAGE045
为
Figure 689276DEST_PATH_IMAGE046
经sigmoid函数处理后的输出值，即
Figure 384699DEST_PATH_IMAGE047
，
Figure 157483DEST_PATH_IMAGE048
为预测值，N为正负样本的总数，
Figure 229344DEST_PATH_IMAGE007
表示检测目标的序号。
所述一种基于改进YOLOv3网络的铁路异物检测方法，其中，在完成了每次迭代训练计算之后，所述方法还包括：
对所述YOLOv3网络的参数进行更新，并根据预设的学习率计算公式对学习率进行更新。
所述一种基于改进YOLOv3网络的铁路异物检测方法，其中，所述预设的学习率计算公式表示为：
Figure 889127DEST_PATH_IMAGE049
其中，
Figure 21031DEST_PATH_IMAGE050
表示学习率，
Figure 15532DEST_PATH_IMAGE051
表示总的迭代训练次数，
Figure 891084DEST_PATH_IMAGE003
表示初始学习率，
Figure 903908DEST_PATH_IMAGE052
表示目标的序列数；
其中，总的迭代训练次数
Figure 206714DEST_PATH_IMAGE051
设置为250，初始学习率
Figure 688510DEST_PATH_IMAGE003
设置为0.001。
所述一种基于改进YOLOv3网络的铁路异物检测方法，其中，在所述步骤三中，通过所述层内多尺度模块将输入的特征图划分为低频特征图以及高频特征图的步骤中：
高频特征之间的卷积运算表示为：
Figure 102174DEST_PATH_IMAGE053
低频特征到高频特征之间的卷积运算表示为：
Figure 736549DEST_PATH_IMAGE054
低频特征之间的卷积运算表示为：
Figure 210256DEST_PATH_IMAGE055
高频特征到低频特征之间的卷积运算表示为：
Figure 179349DEST_PATH_IMAGE056
最终得到的所述高频特征图表示为：
Figure 396703DEST_PATH_IMAGE057
最终得到的所述低频特征图表示为：
Figure 387050DEST_PATH_IMAGE058
其中，
Figure 31658DEST_PATH_IMAGE059
、
Figure 488047DEST_PATH_IMAGE060
分别表示低频部分的特征图以及高频部分的特征图，
Figure 509092DEST_PATH_IMAGE061
、
Figure 852480DEST_PATH_IMAGE062
、
Figure 667989DEST_PATH_IMAGE063
和
Figure 611675DEST_PATH_IMAGE064
分别表示卷积核中高频特征到高频特征、低频特征到高频特征、低频特征到低频特征及高频特征到低频特征之间各自对应的转换权重，f表示卷积运算，
Figure 170832DEST_PATH_IMAGE065
、
Figure 132841DEST_PATH_IMAGE066
、
Figure 119251DEST_PATH_IMAGE067
和
Figure 284653DEST_PATH_IMAGE068
分别表示由高频特征至高频特征转换、低频特征向高频特征进行转换、低频特征向低频特征进行转换，以及高频特征向低频特征进行转换后分别得到的新的特征图；
upsample表示上采样，pool表示池化下采样，
Figure 381922DEST_PATH_IMAGE069
表示经层内多尺度模块后输出的高频特征图，
Figure 965481DEST_PATH_IMAGE070
表示经层内多尺度模块后输出的低频特征图。
本发明还提出一种基于改进YOLOv3网络的铁路异物检测系统，其中，所述系统包括：
信息获取模块，用于通过设于铁路列车上的车载监控装置，以获取得到线路上的图像信息；
预训练模块，用于利用铁路异物侵限数据集对YOLOv3网络进行预训练，将采集到的所述图像信息中的特征图输入至经预训练后的YOLOv3网络中的Darknet-53网络中的层内多尺度模块；
特征划分模块，用于通过所述层内多尺度模块将输入的特征图划分为低频特征图以及高频特征图，并通过Darknet-53网络中的池化层将含有冗余信息的低频特征图进行压缩处理以降低分量冗余；
损失计算模块，用于将经处理后的低频特征图以及高频特征图输入至检测模块，通过在检测模块中的类别损失函数、位置损失函数以及置信度损失函数，分别计算得到异物对应的类别损失、位置损失以及置信度损失；
权重输出模块，用于通过梯度下降法确认当所述类别损失、位置损失以及置信度损失均为最小时，输出最终权重文件；
检测定位模块，用于根据所述最终权重文件以及车载监控装置获取的视频信息构建目标检测网络，根据构建的所述目标检测网络以确定侵限异物的类别与位置。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。
附图说明
图1为本发明提出的基于改进YOLOv3网络的铁路异物检测方法的原理图；
图2为本发明提出的基于改进YOLOv3网络的铁路异物检测方法的流程图；
图3为本发明提出的基于改进YOLOv3网络的铁路异物检测系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
请参阅图1与图2，本发明提出一种基于改进YOLOv3网络的铁路异物检测方法，其中，所述方法包括如下步骤：
S101，通过设于铁路列车上的车载监控装置，以获取得到线路上的图像信息。
S102，利用铁路异物侵限数据集对YOLOv3网络进行预训练，将采集到的所述图像信息中的特征图输入至经预训练后的YOLOv3网络中的Darknet-53网络中的层内多尺度模块。
在本步骤中，利用铁路异物侵限数据集对YOLOv3网络进行预训练的方法包括：
S1021，对所述YOLOv3网络的参数进行初始化。
其中，所述YOLOv3网络的参数包括初始参数
Figure 122793DEST_PATH_IMAGE001
、偏置
Figure 775492DEST_PATH_IMAGE002
、初始学习率
Figure 676451DEST_PATH_IMAGE003
以及最大训练次数max epoch。在此需要说明的是，利用标准正态分布对YOLOv3网络卷积层的权重和偏置进行标准化，以确定YOLOv3网络中每层各个参数初始值。
S1022，对迭代训练次数进行赋值，并进行迭代训练计算。
其中，第一次进行迭代训练时Epoch=1。
S1023，判断当前训练次数是否小于最大训练次数。
如图2所示，若当前训练次数小于最大训练次数，则通过层内多尺度模块将输入的特征图划分为低频特征图以及高频特征图。若当前训练次数不小于最大训练次数，则结束迭代训练并输出最终权重文件。
其中，针对每一次迭代，在每一次迭代训练中，将输入YOLOv3网络的不同分辨率的图像的长度与宽度调整为64的倍数。再将调整后的图像输入到改进后的Darknet-53网络中，在输入进层内多尺度模块（Msblock）之前，先通过传统的卷积方式增加输入的RGB图像的通道数，并将图像进行二倍的下采样。通过下采样后得到的特征图输入到层内多尺度模块（Msblock）中，层内多尺度模块将特征图分解成高频部分与低频部分，两种频率的分量分别在不同的路径中进行计算，之后，将得到的低频部分和高频部分的特征图分别输入至后续的层内多尺度模块进行特征提取，使用层内多尺度模块对高频部分和低频部分的特征图进行融合，将融合后的特征图作为最终提取出的特征。
在此需要说明的是，在完成了每次迭代训练计算之后，所述方法还包括：
对YOLOv3网络的参数进行更新，并根据预设的学习率计算公式对学习率进行更新。
其中，预设的学习率计算公式表示为：
Figure 615982DEST_PATH_IMAGE049
其中，
Figure 944195DEST_PATH_IMAGE050
表示学习率，
Figure 84189DEST_PATH_IMAGE051
表示总的迭代训练次数，
Figure 523261DEST_PATH_IMAGE003
表示初始学习率，
Figure 815833DEST_PATH_IMAGE052
表示目标的序列数。
在本实施例中，总的迭代训练次数
Figure 314948DEST_PATH_IMAGE051
设置为250，初始学习率
Figure 942238DEST_PATH_IMAGE003
设置为0.001。
S103，通过所述层内多尺度模块将输入的特征图划分为低频特征图以及高频特征图，并通过Darknet-53网络中的池化层将含有冗余信息的低频特征图进行压缩处理以降低分量冗余。
其中，通过层内多尺度模块将输入的特征图划分为低频特征图以及高频特征图的步骤中，具体包括：
利用步长为1，卷积核的大小为3的卷积神经网络，对输入的特征图进行卷积，以得到和输入的特征图分辨率大小一样的高频特征图。然后利用步长为2的池化层对输入的特征图进行下采样以得到去除冗余后的低频特征图，并且使两种不同分量的特征图分别沿着各自的计算路径进行卷积计算。在输入进检测模块前，选择高频特征图作为最后提取出的特征进行最后损失函数的计算。
具体的，通过所述层内多尺度模块将输入的特征图划分为低频特征图以及高频特征图的步骤中：
高频特征之间的卷积运算表示为：
Figure 185001DEST_PATH_IMAGE053
低频特征到高频特征之间的卷积运算表示为：
Figure 830615DEST_PATH_IMAGE054
低频特征之间的卷积运算表示为：
Figure 500630DEST_PATH_IMAGE055
高频特征到低频特征之间的卷积运算表示为：
Figure 615217DEST_PATH_IMAGE056
最终得到的所述高频特征图表示为：
Figure 661670DEST_PATH_IMAGE057
最终得到的所述低频特征图表示为：
Figure 663255DEST_PATH_IMAGE058
其中，
Figure 504172DEST_PATH_IMAGE059
、
Figure 106055DEST_PATH_IMAGE060
分别表示低频部分的特征图以及高频部分的特征图，
Figure 690620DEST_PATH_IMAGE061
、
Figure 325475DEST_PATH_IMAGE062
、
Figure 337293DEST_PATH_IMAGE063
和
Figure 426472DEST_PATH_IMAGE064
分别表示卷积核中高频特征到高频特征、低频特征到高频特征、低频特征到低频特征及高频特征到低频特征之间各自对应的转换权重，f表示卷积运算，
Figure 549149DEST_PATH_IMAGE065
、
Figure 525326DEST_PATH_IMAGE066
、
Figure 973625DEST_PATH_IMAGE067
和
Figure 284520DEST_PATH_IMAGE068
分别表示由高频特征至高频特征转换、低频特征向高频特征进行转换、低频特征向低频特征进行转换，以及高频特征向低频特征进行转换后分别得到的新的特征图，upsample表示上采样，pool表示池化下采样，
Figure 210888DEST_PATH_IMAGE069
表示经层内多尺度模块后输出的高频特征图，
Figure 805686DEST_PATH_IMAGE070
表示经层内多尺度模块后输出的低频特征图。
S104，将经处理后的低频特征图以及高频特征图输入至检测模块，通过在检测模块中的类别损失函数、位置损失函数以及置信度损失函数，分别计算得到异物对应的类别损失、位置损失以及置信度损失。
在本步骤中，类别损失、位置损失以及置信度损失的计算方法包括：
S1041，根据预先设定的锚框确定正样本以及负样本；
S1042，根据设定的正样本的信息计算得到所述类别损失以及所述位置损失；
S1043，根据正样本的信息以及负样本的信息计算得到置信度损失。
具体而言，将最后得到的高频特征图进行上采样，并将分辨率分别为64×64、32×32和 16×16 作为检测模块的不同尺度的输入特征。在不同的特征图上的每个像素位置上，均预先定义了三个不同尺度的锚框，计算每种尺度锚框与物体实际边界框的交并比，将交并比大于0.5的锚框定义为正样本，其它的锚框定义为负样本。之后根据正负样本的预测框信息计算置信度损失，根据正样本的预测信息计算类别损失和定位损失。
在本实施例中，上述类别损失函数表示为：
Figure 159307DEST_PATH_IMAGE004
其中，
Figure 957499DEST_PATH_IMAGE005
为所述类别损失函数，
Figure 687558DEST_PATH_IMAGE006
表示预测目标边界框
Figure 638327DEST_PATH_IMAGE007
中是否存在第
Figure 162850DEST_PATH_IMAGE008
类目标
Figure 448337DEST_PATH_IMAGE009
为预测值，
Figure 716508DEST_PATH_IMAGE071
，
Figure 23249DEST_PATH_IMAGE072
表示经过sigmoid激活后得到的目标概率，
Figure 984251DEST_PATH_IMAGE073
为正样本个数，
Figure 757035DEST_PATH_IMAGE013
表示预测值C和真实值O均来自于正样本，
Figure 563317DEST_PATH_IMAGE014
表示所有的预测值C和真实值O均包含在检测样本的所有类别中，
Figure 488679DEST_PATH_IMAGE007
表示检测目标的序号。
上述位置损失函数表示为：
Figure 355004DEST_PATH_IMAGE074
其中，
Figure 615084DEST_PATH_IMAGE016
表示位置损失函数，
Figure 428319DEST_PATH_IMAGE017
，
Figure 457455DEST_PATH_IMAGE018
，
Figure 9528DEST_PATH_IMAGE019
，
Figure 491325DEST_PATH_IMAGE020
，
Figure 904989DEST_PATH_IMAGE021
，
Figure 788631DEST_PATH_IMAGE022
，
Figure 13070DEST_PATH_IMAGE023
，
Figure 778901DEST_PATH_IMAGE024
；
Figure 933939DEST_PATH_IMAGE025
表示YOLOv3网络对预测框的中心坐标的横坐标预测值经过Sigmoid函数后的输出值，
Figure 937667DEST_PATH_IMAGE075
表示YOLOv3网络对预测框的中心坐标的纵坐标预测值经过Sigmoid函数后的输出值，
Figure 631210DEST_PATH_IMAGE027
表示YOLOv3网络对预测框宽度的预测值，
Figure 290861DEST_PATH_IMAGE028
表示YOLOv3网络对预测框高度的预测值，
Figure 46328DEST_PATH_IMAGE029
与
Figure 638983DEST_PATH_IMAGE076
表示真实目标边界框相对于网格左上角横坐标和纵坐标的相对偏移量，
Figure 205225DEST_PATH_IMAGE031
与
Figure 148910DEST_PATH_IMAGE032
表示真实目标边界框相对于锚框的宽度和高度的放缩比例经过ln函数输出后的值，
Figure 708067DEST_PATH_IMAGE033
为目标检测网络的最终得到的四个预测变量，
Figure 420808DEST_PATH_IMAGE034
为实际目标边界框的中心坐标，
Figure 390907DEST_PATH_IMAGE035
与
Figure 821889DEST_PATH_IMAGE036
表示真实目标边界框的宽度和高度，
Figure 919158DEST_PATH_IMAGE037
为第
Figure 751984DEST_PATH_IMAGE038
个目标所在网格的左上角坐标，
Figure 394449DEST_PATH_IMAGE039
和
Figure 312727DEST_PATH_IMAGE040
分别为锚框的宽度和高度。
上述置信度损失函数表示为：
Figure 213687DEST_PATH_IMAGE041
其中，
Figure 635441DEST_PATH_IMAGE042
表示所述置信度损失函数，
Figure 215851DEST_PATH_IMAGE043
表示预测边界框与实际边界框的IOU值，
Figure 355846DEST_PATH_IMAGE044
，
Figure 60496DEST_PATH_IMAGE045
为
Figure 602336DEST_PATH_IMAGE046
经sigmoid函数处理后的输出值，即
Figure 852183DEST_PATH_IMAGE077
，
Figure 479473DEST_PATH_IMAGE048
为预测值，N为正负样本的总数，
Figure 722236DEST_PATH_IMAGE007
表示检测目标的序号。
S105，通过梯度下降法确认当所述类别损失、位置损失以及置信度损失均为最小时，输出最终权重文件。
本实施例中，当迭代训练次数达到最大训练次数时，此时类别损失、位置损失以及置信度损失均为最小。输出最终权重文件。
S106，根据所述最终权重文件以及车载监控装置获取的视频信息构建目标检测网络，根据构建的所述目标检测网络以确定侵限异物的类别与位置。
本实施例中，停止训练后保存最终权重文件，在检测异物时，只需要将特征图输入到网络中并加载保存的最终权重文件，便能得到待检测物体的类别与位置信息。
本发明提出的基于改进YOLOv3网络的铁路异物检测方法，利用特征图中包含高频特征图以及低频特征图的特点，以降低低频特征图中的冗余信息为目的，从而节省整体算法的计算量，并运用三种不同的损失函数描述异物的位置损失、类别损失以及置信度损失；
此外，根据迭代训练次数自适应地改变学习率，既可以保证算法的收敛速度，又可以将损失函数降低到最低点；
在进行异物检测时，只需将特征图输入到网络中并加载保存的最终权重文件，便能得到待检测物体的类别和位置信息。本发明实施例中，基于YOLOv3网络，结合层内多尺度模块提出改进的YOLOv3算法，并将其用于铁路异物检测之中，可得到铁路异物的位置和类别信息，以保证铁路列车自动驾驶的安全性。
请参阅图3，本发明还提出一种基于改进YOLOv3网络的铁路异物检测系统，其中，所述系统包括：
信息获取模块，用于通过设于铁路列车上的车载监控装置，以获取得到线路上的图像信息；
预训练模块，用于利用铁路异物侵限数据集对YOLOv3网络进行预训练，将采集到的所述图像信息中的特征图输入至经预训练后的YOLOv3网络中的Darknet-53网络中的层内多尺度模块；
特征划分模块，用于通过所述层内多尺度模块将输入的特征图划分为低频特征图以及高频特征图，并通过Darknet-53网络中的池化层将含有冗余信息的低频特征图进行压缩处理以降低分量冗余；
损失计算模块，用于将经处理后的低频特征图以及高频特征图输入至检测模块，通过在检测模块中的类别损失函数、位置损失函数以及置信度损失函数，分别计算得到异物对应的类别损失、位置损失以及置信度损失；
权重输出模块，用于通过梯度下降法确认当所述类别损失、位置损失以及置信度损失均为最小时，输出最终权重文件；
检测定位模块，用于根据所述最终权重文件以及车载监控装置获取的视频信息构建目标检测网络，根据构建的所述目标检测网络以确定侵限异物的类别与位置。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于改进YOLOv3网络的铁路异物检测方法，其特征在于，所述方法包括如下步骤：
步骤一，通过设于铁路列车上的车载监控装置，以获取得到线路上的图像信息；
步骤二，利用铁路异物侵限数据集对YOLOv3网络进行预训练，将采集到的所述图像信息中的特征图输入至经预训练后的YOLOv3网络中的Darknet-53网络中的层内多尺度模块；
步骤三，通过所述层内多尺度模块将输入的特征图划分为低频特征图以及高频特征图，并通过Darknet-53网络中的池化层将含有冗余信息的低频特征图进行压缩处理以降低分量冗余；
步骤四，将经处理后的低频特征图以及高频特征图输入至检测模块，通过在检测模块中的类别损失函数、位置损失函数以及置信度损失函数，分别计算得到异物对应的类别损失、位置损失以及置信度损失；
步骤五，通过梯度下降法确认当所述类别损失、位置损失以及置信度损失均为最小时，输出最终权重文件；
步骤六，根据所述最终权重文件以及车载监控装置获取的视频信息构建目标检测网络，根据构建的所述目标检测网络以确定侵限异物的类别与位置。
2.根据权利要求1所述的一种基于改进YOLOv3网络的铁路异物检测方法，其特征在于，在所述步骤二中，利用铁路异物侵限数据集对YOLOv3网络进行预训练的方法包括：
对所述YOLOv3网络的参数进行初始化，其中，所述YOLOv3网络的参数包括初始参数
Figure 967734DEST_PATH_IMAGE001
、偏置
Figure 637750DEST_PATH_IMAGE002
、初始学习率
Figure 752336DEST_PATH_IMAGE004
以及最大训练次数max epoch；
对迭代训练次数进行赋值，并进行迭代训练计算；其中，第一次进行迭代训练时Epoch=1；
判断当前训练次数是否小于最大训练次数；
若所述当前训练次数小于所述最大训练次数，则通过所述层内多尺度模块将输入的特征图划分为低频特征图以及高频特征图；
若所述当前训练次数不小于所述最大训练次数，则结束迭代训练并输出所述最终权重文件。
3.根据权利要求1所述的一种基于改进YOLOv3网络的铁路异物检测方法，其特征在于，在所述步骤四中，类别损失、位置损失以及置信度损失的计算方法包括：
根据预先设定的锚框确定正样本以及负样本；
根据设定的正样本的信息计算得到所述类别损失以及所述位置损失；
根据正样本的信息以及负样本的信息计算得到置信度损失。
4.根据权利要求3所述的一种基于改进YOLOv3网络的铁路异物检测方法，其特征在于，所述类别损失函数表示为：
Figure 533210DEST_PATH_IMAGE005
其中，
Figure 313558DEST_PATH_IMAGE006
为所述类别损失函数，
Figure 951213DEST_PATH_IMAGE007
表示预测目标边界框
Figure 553096DEST_PATH_IMAGE008
中是否存在第
Figure 888393DEST_PATH_IMAGE009
类目标
Figure 259332DEST_PATH_IMAGE010
为预测值，
Figure 271150DEST_PATH_IMAGE011
，
Figure 94750DEST_PATH_IMAGE012
表示经过sigmoid激活后得到的目标概率，
Figure 466694DEST_PATH_IMAGE013
为正样本个数，
Figure 692139DEST_PATH_IMAGE014
表示预测值C和真实值O均来自于正样本，
Figure 874858DEST_PATH_IMAGE015
表示所有的预测值C和真实值O均包含在检测样本的所有类别中，
Figure 451333DEST_PATH_IMAGE008
表示检测目标的序号。
5.根据权利要求4所述的一种基于改进YOLOv3网络的铁路异物检测方法，其特征在于，所述位置损失函数表示为：
Figure 128433DEST_PATH_IMAGE016
其中，
Figure 208385DEST_PATH_IMAGE017
表示位置损失函数，
Figure 827585DEST_PATH_IMAGE018
，
Figure 625777DEST_PATH_IMAGE019
，
Figure 404770DEST_PATH_IMAGE020
，
Figure 339228DEST_PATH_IMAGE021
，
Figure 129330DEST_PATH_IMAGE022
，
Figure 165550DEST_PATH_IMAGE023
，
Figure 433720DEST_PATH_IMAGE024
，
Figure 488264DEST_PATH_IMAGE025
；
Figure 183688DEST_PATH_IMAGE026
表示YOLOv3网络对预测框的中心坐标的横坐标预测值经过Sigmoid函数后的输出值，
Figure 940160DEST_PATH_IMAGE027
表示YOLOv3网络对预测框的中心坐标的纵坐标预测值经过Sigmoid函数后的输出值，
Figure 12021DEST_PATH_IMAGE028
表示YOLOv3网络对预测框宽度的预测值，
Figure 186650DEST_PATH_IMAGE029
表示YOLOv3网络对预测框高度的预测值，
Figure 52975DEST_PATH_IMAGE030
与
Figure 63788DEST_PATH_IMAGE031
表示真实目标边界框相对于网格左上角横坐标和纵坐标的相对偏移量，
Figure 673761DEST_PATH_IMAGE032
与
Figure 702897DEST_PATH_IMAGE033
表示真实目标边界框相对于锚框的宽度和高度的放缩比例经过ln函数输出后的值，
Figure 789058DEST_PATH_IMAGE034
为目标检测网络的最终得到的四个预测变量，
Figure 536434DEST_PATH_IMAGE035
为实际目标边界框的中心坐标，
Figure 950098DEST_PATH_IMAGE036
与
Figure 833740DEST_PATH_IMAGE037
表示真实目标边界框的宽度和高度，
Figure 58179DEST_PATH_IMAGE038
为第
Figure 27272DEST_PATH_IMAGE039
个目标所在网格的左上角坐标，
Figure 713468DEST_PATH_IMAGE040
和
Figure 717196DEST_PATH_IMAGE041
分别为锚框的宽度和高度。
6.根据权利要求4所述的一种基于改进YOLOv3网络的铁路异物检测方法，其特征在于，所述置信度损失函数表示为：
Figure 345493DEST_PATH_IMAGE042
其中，
Figure 801882DEST_PATH_IMAGE043
表示所述置信度损失函数，
Figure 354086DEST_PATH_IMAGE044
表示预测边界框与实际边界框的IOU值，
Figure 963053DEST_PATH_IMAGE045
，
Figure 778562DEST_PATH_IMAGE046
为
Figure 722247DEST_PATH_IMAGE047
经sigmoid函数处理后的输出值，即
Figure 15826DEST_PATH_IMAGE048
，
Figure 715185DEST_PATH_IMAGE050
为预测值，N为正负样本的总数，
Figure 701595DEST_PATH_IMAGE008
表示检测目标的序号。
7.根据权利要求2所述的一种基于改进YOLOv3网络的铁路异物检测方法，其特征在于，在完成了每次迭代训练计算之后，所述方法还包括：
对所述YOLOv3网络的参数进行更新，并根据预设的学习率计算公式对学习率进行更新。
8.根据权利要求7所述的一种基于改进YOLOv3网络的铁路异物检测方法，其特征在于，所述预设的学习率计算公式表示为：
Figure 132577DEST_PATH_IMAGE051
其中，
Figure 229846DEST_PATH_IMAGE053
表示学习率，
Figure 547826DEST_PATH_IMAGE054
表示总的迭代训练次数，
Figure 501875DEST_PATH_IMAGE004
表示初始学习率，
Figure 420152DEST_PATH_IMAGE056
表示目标的序列数；
其中，总的迭代训练次数
Figure 304801DEST_PATH_IMAGE054
设置为250，初始学习率
Figure 992134DEST_PATH_IMAGE004
设置为0.001。
9.根据权利要求1所述的一种基于改进YOLOv3网络的铁路异物检测方法，其特征在于，在所述步骤三中，通过所述层内多尺度模块将输入的特征图划分为低频特征图以及高频特征图的步骤中：
高频特征之间的卷积运算表示为：
Figure 320347DEST_PATH_IMAGE057
低频特征到高频特征之间的卷积运算表示为：
Figure 460342DEST_PATH_IMAGE058
低频特征之间的卷积运算表示为：
Figure 915725DEST_PATH_IMAGE059
高频特征到低频特征之间的卷积运算表示为：
Figure 457565DEST_PATH_IMAGE060
最终得到的所述高频特征图表示为：
Figure 956679DEST_PATH_IMAGE061
最终得到的所述低频特征图表示为：
Figure 583969DEST_PATH_IMAGE062
其中，
Figure 536052DEST_PATH_IMAGE063
、
Figure 197977DEST_PATH_IMAGE064
分别表示低频部分的特征图以及高频部分的特征图，
Figure 867993DEST_PATH_IMAGE065
、
Figure 982580DEST_PATH_IMAGE066
、
Figure 514186DEST_PATH_IMAGE067
和
Figure 30618DEST_PATH_IMAGE068
分别表示卷积核中高频特征到高频特征、低频特征到高频特征、低频特征到低频特征及高频特征到低频特征之间各自对应的转换权重，f表示卷积运算，
Figure 871535DEST_PATH_IMAGE069
、
Figure DEST_PATH_IMAGE071
、
Figure DEST_PATH_IMAGE072
和
Figure DEST_PATH_IMAGE074
分别表示由高频特征至高频特征转换、低频特征向高频特征进行转换、低频特征向低频特征进行转换，以及高频特征向低频特征进行转换后分别得到的新的特征图；
upsample表示上采样，pool表示池化下采样，
Figure DEST_PATH_IMAGE075
表示经层内多尺度模块后输出的高频特征图，
Figure DEST_PATH_IMAGE076
表示经层内多尺度模块后输出的低频特征图。
10.一种基于改进YOLOv3网络的铁路异物检测系统，其特征在于，所述系统包括：
信息获取模块，用于通过设于铁路列车上的车载监控装置，以获取得到线路上的图像信息；
预训练模块，用于利用铁路异物侵限数据集对YOLOv3网络进行预训练，将采集到的所述图像信息中的特征图输入至经预训练后的YOLOv3网络中的Darknet-53网络中的层内多尺度模块；
特征划分模块，用于通过所述层内多尺度模块将输入的特征图划分为低频特征图以及高频特征图，并通过Darknet-53网络中的池化层将含有冗余信息的低频特征图进行压缩处理以降低分量冗余；
损失计算模块，用于将经处理后的低频特征图以及高频特征图输入至检测模块，通过在检测模块中的类别损失函数、位置损失函数以及置信度损失函数，分别计算得到异物对应的类别损失、位置损失以及置信度损失；
权重输出模块，用于通过梯度下降法确认当所述类别损失、位置损失以及置信度损失均为最小时，输出最终权重文件；
检测定位模块，用于根据所述最终权重文件以及车载监控装置获取的视频信息构建目标检测网络，根据构建的所述目标检测网络以确定侵限异物的类别与位置。
CN202111506770.XA 2021-12-10 2021-12-10 一种基于改进YOLOv3网络的铁路异物检测方法与系统 Active CN113903009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111506770.XA CN113903009B (zh) 2021-12-10 2021-12-10 一种基于改进YOLOv3网络的铁路异物检测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111506770.XA CN113903009B (zh) 2021-12-10 2021-12-10 一种基于改进YOLOv3网络的铁路异物检测方法与系统

Publications (2)

Publication Number Publication Date
CN113903009A true CN113903009A (zh) 2022-01-07
CN113903009B CN113903009B (zh) 2022-07-05

Family

ID=79025558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111506770.XA Active CN113903009B (zh) 2021-12-10 2021-12-10 一种基于改进YOLOv3网络的铁路异物检测方法与系统

Country Status (1)

Country Link
CN (1) CN113903009B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114724091A (zh) * 2022-06-07 2022-07-08 智洋创新科技股份有限公司 一种输电线路导线异物识别方法及装置
CN114818880A (zh) * 2022-04-07 2022-07-29 齐鲁工业大学 一种YOLOv3铁路关键作业流程自动鉴别方法与系统
CN115187048A (zh) * 2022-07-07 2022-10-14 北京交通大学 轨道线路多域限界异物侵限事件状况识别方法及系统
CN115859090A (zh) * 2023-02-23 2023-03-28 华东交通大学 基于1dcnn-lstm的道岔故障诊断方法及系统
CN116229388A (zh) * 2023-03-27 2023-06-06 哈尔滨市科佳通用机电股份有限公司 基于目标检测网络的动车异物检测方法、系统及设备
CN116416504A (zh) * 2023-03-16 2023-07-11 北京瑞拓电子技术发展有限公司 基于车辆协同的高速公路异物检测系统和方法
CN117632084A (zh) * 2024-01-26 2024-03-01 华东交通大学 基于三值光学处理器的大整数幂取模快速计算方法与系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796168A (zh) * 2019-09-26 2020-02-14 江苏大学 一种基于改进YOLOv3的车辆检测方法
CN111091072A (zh) * 2019-11-29 2020-05-01 河海大学 一种基于YOLOv3的火焰及浓烟检测方法
CN111401148A (zh) * 2020-02-27 2020-07-10 江苏大学 一种基于改进的多级YOLOv3的道路多目标检测方法
CN111444809A (zh) * 2020-03-23 2020-07-24 华南理工大学 一种基于改进YOLOv3的输电线路异常目标检测方法
CN111582345A (zh) * 2020-04-29 2020-08-25 中国科学院重庆绿色智能技术研究院 一种小样本下复杂环境的目标识别方法
CN111650204A (zh) * 2020-05-11 2020-09-11 安徽继远软件有限公司 基于级联目标检测的输电线路金具缺陷检测方法及系统
CN111652321A (zh) * 2020-06-10 2020-09-11 江苏科技大学 一种基于改进yolov3算法的海上船舶检测方法
CN111914839A (zh) * 2020-07-28 2020-11-10 三峡大学 基于YOLOv3的同步端到端车牌定位与识别方法
CN112395958A (zh) * 2020-10-29 2021-02-23 中国地质大学（武汉） 基于四尺度深浅层特征融合的遥感图像小目标检测方法
CN112418212A (zh) * 2020-08-28 2021-02-26 西安电子科技大学 一种基于EIoU改进的YOLOv3算法
CN113205510A (zh) * 2021-05-25 2021-08-03 石家庄铁道大学 铁路侵限异物检测方法、装置及终端
CN113313128A (zh) * 2021-06-02 2021-08-27 东南大学 一种基于改进YOLOv3网络的SAR图像目标检测方法
CN113591717A (zh) * 2021-07-31 2021-11-02 浙江工业大学 基于改进YOLOv3算法的非机动车头盔佩戴检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796168A (zh) * 2019-09-26 2020-02-14 江苏大学 一种基于改进YOLOv3的车辆检测方法
CN111091072A (zh) * 2019-11-29 2020-05-01 河海大学 一种基于YOLOv3的火焰及浓烟检测方法
CN111401148A (zh) * 2020-02-27 2020-07-10 江苏大学 一种基于改进的多级YOLOv3的道路多目标检测方法
CN111444809A (zh) * 2020-03-23 2020-07-24 华南理工大学 一种基于改进YOLOv3的输电线路异常目标检测方法
CN111582345A (zh) * 2020-04-29 2020-08-25 中国科学院重庆绿色智能技术研究院 一种小样本下复杂环境的目标识别方法
CN111650204A (zh) * 2020-05-11 2020-09-11 安徽继远软件有限公司 基于级联目标检测的输电线路金具缺陷检测方法及系统
CN111652321A (zh) * 2020-06-10 2020-09-11 江苏科技大学 一种基于改进yolov3算法的海上船舶检测方法
CN111914839A (zh) * 2020-07-28 2020-11-10 三峡大学 基于YOLOv3的同步端到端车牌定位与识别方法
CN112418212A (zh) * 2020-08-28 2021-02-26 西安电子科技大学 一种基于EIoU改进的YOLOv3算法
CN112395958A (zh) * 2020-10-29 2021-02-23 中国地质大学（武汉） 基于四尺度深浅层特征融合的遥感图像小目标检测方法
CN113205510A (zh) * 2021-05-25 2021-08-03 石家庄铁道大学 铁路侵限异物检测方法、装置及终端
CN113313128A (zh) * 2021-06-02 2021-08-27 东南大学 一种基于改进YOLOv3网络的SAR图像目标检测方法
CN113591717A (zh) * 2021-07-31 2021-11-02 浙江工业大学 基于改进YOLOv3算法的非机动车头盔佩戴检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何文玉等: "《基于深度学习的轨道异物入侵检测算法》", 《计算机工程与设计》 *
高原等: "《基于OctConv的DCNN在遥感图像场景分类中的应用》", 《电子测量与仪器学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818880A (zh) * 2022-04-07 2022-07-29 齐鲁工业大学 一种YOLOv3铁路关键作业流程自动鉴别方法与系统
CN114818880B (zh) * 2022-04-07 2024-04-09 齐鲁工业大学 一种YOLOv3铁路关键作业流程自动鉴别方法与系统
CN114724091A (zh) * 2022-06-07 2022-07-08 智洋创新科技股份有限公司 一种输电线路导线异物识别方法及装置
CN115187048A (zh) * 2022-07-07 2022-10-14 北京交通大学 轨道线路多域限界异物侵限事件状况识别方法及系统
CN115187048B (zh) * 2022-07-07 2023-05-23 北京交通大学 轨道线路多域限界异物侵限事件状况识别方法及系统
CN115859090A (zh) * 2023-02-23 2023-03-28 华东交通大学 基于1dcnn-lstm的道岔故障诊断方法及系统
CN116416504A (zh) * 2023-03-16 2023-07-11 北京瑞拓电子技术发展有限公司 基于车辆协同的高速公路异物检测系统和方法
CN116416504B (zh) * 2023-03-16 2024-02-06 北京瑞拓电子技术发展有限公司 基于车辆协同的高速公路异物检测系统和方法
CN116229388A (zh) * 2023-03-27 2023-06-06 哈尔滨市科佳通用机电股份有限公司 基于目标检测网络的动车异物检测方法、系统及设备
CN116229388B (zh) * 2023-03-27 2023-09-12 哈尔滨市科佳通用机电股份有限公司 基于目标检测网络的动车异物检测方法、系统及设备
CN117632084A (zh) * 2024-01-26 2024-03-01 华东交通大学 基于三值光学处理器的大整数幂取模快速计算方法与系统
CN117632084B (zh) * 2024-01-26 2024-04-05 华东交通大学 基于三值光学处理器的大整数幂取模快速计算方法与系统

Also Published As

Publication number Publication date
CN113903009B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN113903009B (zh) 一种基于改进YOLOv3网络的铁路异物检测方法与系统
CN112967243B (zh) 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法
CN109117876B (zh) 一种稠密小目标检测模型构建方法、模型及检测方法
KR102166458B1 (ko) 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치
CN108694386B (zh) 一种基于并联卷积神经网络的车道线检测方法
CN107133973B (zh) 一种桥梁防撞系统中的船舶检测方法
CN111179229A (zh) 一种基于深度学习的工业ct缺陷检测方法
KR102108953B1 (ko) 센서 품질 저하에 강인한 딥러닝 기반 카메라, 라이더 센서 융합 인지 방법 및 시스템
CN112257692B (zh) 一种行人目标的检测方法、电子设备及存储介质
CN110827310A (zh) Ct图像自动检测方法与系统
CN108710909B (zh) 一种可变形旋转不变装箱物体清点方法
CN112330593A (zh) 基于深度学习网络的建筑物表面裂缝检测方法
CN112329881B (zh) 车牌识别模型训练方法、车牌识别方法及装置
CN113724259B (zh) 井盖异常检测方法、装置及其应用
CN114119610B (zh) 基于旋转目标检测的缺陷检测方法
CN114723709A (zh) 隧道病害检测方法、装置和电子设备
CN114841972A (zh) 基于显著性图和语义嵌入特征金字塔的输电线路缺陷识别方法
CN115830004A (zh) 表面缺陷检测方法、装置、计算机设备和存储介质
CN114331986A (zh) 一种基于无人机视觉的坝体裂纹识别与测量方法
CN114596316A (zh) 一种基于语义分割的道路图像细节抓取方法
CN110348307B (zh) 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统
CN114359286A (zh) 一种基于人工智能的绝缘子缺陷识别方法、设备及介质
CN114170168A (zh) 显示模组缺陷检测方法、系统及计算机可读存储介质
Zhang et al. Image-based approach for parking-spot detection with occlusion handling
CN113158954A (zh) 交通非现场的基于ai技术的斑马线区域自动检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Wang Hui

Inventor after: Wu Yujie

Inventor after: Yang Hui

Inventor before: Wang Hui

Inventor before: Wu Yujie

Inventor before: Yang Hui

CB03 Change of inventor or designer information