改进YOLOv3模型的铁路异物入侵识别算法

作者：朱梦瑞; 牛宏侠^*

来源：北京交通大学学报, 2022, 46(02): 37-45.

• 轨道检测
• 异物识别
• YOLOv3
• 卷积神经网络

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YOLOv3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.

• 出版日期2022
• 单位兰州交通大学