基于浅层特征融合的轻量级铁轨异物侵限检测研究
侯涛
李俊昶
牛宏侠
兰州交通大学 自动化与电气工程学院,兰州 730070
摘要：针对铁路轨道异物侵限检测精度偏低、速度偏慢、易出现漏检与误检的问题,提出一种基于浅层特征融合的轻量级铁轨异物侵限检测算法(YOLO Lightweight and Shallow-feature Fusion,YOLO-LSF).首先,结合 YOLOv8n 特征提取网络,基于 GhostConv 改进 C2f 模块以构建C2f_Ghost模块,从而降低模型的参数量和计算量;其次,在骨干网络尾端引入MLCA注意力机制,增强目标区域的特征信息,优化模型的特征提取效率;再次,利用可变形卷积DCNv2替换YO-LOv8n中C2f模块的部分普通卷积,构建了C2f_DCNv2模块,增强模型的特征提取能力;最后,在颈部网络中融入主干网络中的浅层特征信息,较好地解决了经多次卷积操作所导致的细节信息丢失问题,以提升模型对远距离异物(小目标)的检测能力.实验结果表明:在自建的铁轨异物入侵检测数据集上,相比于原YOLOv8n算法,采用YOLO-LSF算法处理的平均精度提升了5.2%,每秒帧数(Frames Per Second,FPS)提升了3.37%,参数量减少了20.1%,计算量减少了22.2%,有效提升了复杂环境下铁轨异物目标的检测精度与检测速度,降低了漏检与误检的概率.
关键词：深度学习目标检测铁路轨道异物侵限轻量化
分类号：TP391.4(计算技术、计算机技术)
论文发表日期：2025-10-30
在线出版日期：2025-11-06（本平台首次上网日期，不代表文献的发表时间）
页数：12( 209-220 )
英文信息