典型文献
改进YOLOv3模型的铁路异物入侵识别算法
文献摘要：
异物入侵影响列车行车安全,严重时会造成事故伤亡.针对现有铁路异物入侵识别准确率不高、实时性较差等问题,提出了一种改进YOLOv3模型的异物入侵识别算法.首先,利用逆透视变换确定轨道位置并划分危险区域,为后续的异物识别提出基础.然后采用K-means++聚类算法选取适合本文数据集的先验框尺寸,使先验框与特征图层更加契合,提升对铁路异物的定位能力.同时用MobileNetv2作为特征提取网络以减少模型参数量,提高识别的速度.最后,用改进的YO?LOv3算法对危险区域进行异物识别.实验结果表明:本文算法在铁轨异物数据集上的平均识别精度达到89.23％,较传统YOLOv3算法高出9.73％,帧速率由20 f?s-1提高到54.3 f?s-1,有效提高了铁路异物入侵识别的实时性和准确率.
文献关键词：
轨道检测;异物识别;YOLOv3;卷积神经网络
中图分类号：
作者姓名：
朱梦瑞;牛宏侠
作者机构：
甘肃省高原交通信息及控制重点实验室,兰州 730070;兰州交通大学 光电技术与智能控制教育部重点实验室,兰州 730070;兰州交通大学 自动化与电气工程学院,兰州 730070
文献出处：
引用格式：
[1]朱梦瑞;牛宏侠-.改进YOLOv3模型的铁路异物入侵识别算法)[J].北京交通大学学报,2022(02):37-45
A类：
B类：
YOLOv3,异物入侵,入侵识别,识别算法,列车,车行,行车安全,成事,伤亡,识别准确率,逆透视变换,危险区域,异物识别,means++,聚类算法,先验框,特征图,图层,定位能力,MobileNetv2,特征提取网络,模型参数量,铁轨,识别精度,轨道检测
AB值：
0.30679
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
