简介：当异物侵入铁路界限内,会极大地威胁铁路运营安全及乘客生命财产安全,常见入侵目标有闲杂人员与落石、树枝等,但在铁路复杂开放环境中小尺度与小样本入侵目标识别较难.针对以上问题,提出一种基于特征聚焦扩散网络的铁路限界异物入侵检测方法.首先,针对边端计算设备的算力制约问题,对基准模型的主干网络结构进行了轻量化改进,降低了计算消耗,同时维持了相近的检测精度;其次,提出了特征聚焦扩散金字塔网络,改进基准模型的颈部网络结构,强化了不同层级特征间的有效交互,提升了不同尺度目标识别能力;然后,通过动态检测头对基准模型进行改进,改善了在深度网络中目标细粒度特征信息丢失的情况;最后,通过损失函数的改进,让模型更加注重小样本、难识别类型的目标特征信息,并有效提升在此类情况下的识别能力.针对铁路异物入侵真实样本少的问题,模拟采集大量不同场景的异物入侵数据,构建了数据集.实验结果显示,通过增加改进模块,本文所提方法的识别准确率持续上升,最终改进模型的平均准确率达到94.9%,相比基准模型提高了3.7个百分点.对比多种主流目标检测方法,在小目标识别能力提升最为显著,识别率到达了最高的91.3%.研究结果表明本文改进模型在实际复杂铁路环境下能有效识别入侵目标,具有较好的应用价值.展开
