基于改进YOLOv5的轨道异物入侵检测算法研究

作者：王瑞峰^*; 陈小屹

来源：云南大学学报(自然科学版), 2023, 45(04): 799-806.

• YOLOv5
• 轨道异物入侵
• 图像分割
• 深度学习

针对铁路场景图像不清晰，以及存在小目标和被遮挡目标未被检测出等问题，提出一种基于改进YOLOv5的异物目标检测算法.首先，计算图像中的直线特征极大值调整自适应参数，利用边界点权重区分出轨道位置；然后，采用CLAHE(Contrast Limited Adaptive Histogram Equalization)算法增强画面的对比度，降低环境对检测结果的影响；最后，在原有YOLOv5算法的基础上引入卷积块注意力模型，提高特征提取能力，改善遮挡目标和小目标的漏检问题，用CIOU损失函数替代GIOU损失函数作为边界框回归损失函数，加快模型的收敛速度并提高边框定位精度.实验结果表明，模型平均检测精度达到了0.941，检测速度也达到了39帧/s，可以快速且准确地检测到铁路上存在的异物，满足实时目标检测的要求.

• 出版日期2023
• 单位兰州交通大学