典型文献
基于LAM-Net的轨道侵入界异物自主检测系统
文献摘要：
针对轨道入侵异物对行车安全造成的极大威胁,而现有的轨道目标检测算法难以平衡检测精度和速度、易受复杂环境影响以及难以部署于嵌入式设备等问题,提出了一种轻量型自适应多尺度卷积神经网络,其通过特征图线性变换简化特征提取过程,使用自适应多尺度特征融合优化特征表达能力,并通过设计轻量型注意力进一步提升异物检测精度;同时,结合NVIDIA Jetson TX2嵌入式平台,研制了轨道入侵异物自主检测系统.实验结果表明,本文提出的模型很好地平衡了检测速度和精度,在NVIDIA GeForce GTX1080Ti的GPU平台上对轨道数据集的检测速度为297 FPS,检测精度为92.96％,比YOLOv4-tiny高7.72％,实现了在轨道交通复杂场景下高精度、高速度以及高鲁棒性的检测入侵异物.
文献关键词：
目标检测算法;轻量型卷积神经网络;深度学习;轨道入侵异物;自适应特征融合;检测系统
中图分类号：
作者姓名：
叶涛;赵宗扬;郑志康
作者机构：
中国矿业大学(北京)机电与信息工程学院 北京 100083
文献出处：
引用格式：
[1]叶涛;赵宗扬;郑志康-.基于LAM-Net的轨道侵入界异物自主检测系统)[J].仪器仪表学报,2022(09):206-218
A类：
轨道入侵异物,GTX1080Ti,轻量型卷积神经网络
B类：
LAM,Net,自主检测,行车安全,大威,目标检测算法,检测精度,复杂环境,嵌入式设备,多尺度卷积神经网络,特征图,图线,线性变换,多尺度特征融合,特征表达,表达能力,异物检测,NVIDIA,Jetson,TX2,嵌入式平台,地平,检测速度,GeForce,GPU,道数,FPS,YOLOv4,tiny,在轨,交通复杂,复杂场景,高速度,高鲁棒性,自适应特征融合
AB值：
0.355476
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。
