Исследование метода обнаружения посторонних объектов на железнодорожных путях на основе глубокого обучения

В связи с ограничениями современных методов обнаружения посторонних объектов на железнодорожных путях, характеризующихся недостаточной работой в реальном времени и снижением точности при обнаружении малых объектов, в статье предлагается инновационная методика визуального восприятия на основе глубокого обучения. Центральным элементом этого подхода является построение модели границ железнодорожного пути с использованием усовершенствованного метода обнаружения рельсов, а также улучшенной сети семантической сегментации UNet для автоматической сегментации различных категорий путей. С помощью деления на равные интервалы и построчного обхода точно извлекаются ключевые признаки пути, а его линейное уравнение выводится методом наименьших квадратов, что позволяет построить точную модель границ железнодорожного пути. Мы оптимизировали модель обнаружения YOLOv5s по четырём направлениям: внедрили механизм внимания SE в сетевой слой Neck для повышения способности модели к извлечению признаков, добавили слой прогнозирования для улучшения обнаружения малых объектов, предложили метод линейного масштабирования размеров для получения подходящих якорных блоков и использовали Inner-IoU для уточнения функции потерь регрессии границ, тем самым повысив точность позиционирования ограничивающих рамок. С использованием самостоятельно созданного набора изображений проведена проверка точности обнаружения вторжений посторонних объектов на железнодорожные пути. Результаты показывают, что предложенная модель семантической сегментации достигла значения MIoU 91,8 %, что на 3,9 % выше показателя предыдущей модели, обеспечивая эффективную сегментацию железнодорожных путей. Кроме того, оптимизированная модель обнаружения эффективно выявляла вторжения посторонних объектов на пути, снижала частоту пропусков и ложных срабатываний и обеспечивала повышение средней точности (mAP; IoU = 0,5) на 7,4 % по сравнению с исходной моделью YOLOv5s. Модель демонстрирует высокую способность к обобщению в сценариях с малыми объектами. Предложенный подход представляет собой эффективное исследование в области...