铁路货运车辆车身携带异物容易造成重大安全隐患,出发前必须对车辆外观进行严格检查。采用深度学习方法对异物进行智能识别对提高货检工作效率具有重要意义。针对铁路货运车辆安全检测中异物识别准确率低、漏检率高等问题,以ResNet-50...铁路货运车辆车身携带异物容易造成重大安全隐患,出发前必须对车辆外观进行严格检查。采用深度学习方法对异物进行智能识别对提高货检工作效率具有重要意义。针对铁路货运车辆安全检测中异物识别准确率低、漏检率高等问题,以ResNet-50为基本特征提取网络,引入K-Means算法,构建了一种以交并比(Intersection over Union,IoU)为度量的锚框聚类算法,采用自建的异常目标数据集进行了实验测试,结果发现,与传统Faster RCNN相比,改进后的算法有效地增强了深度网络模型的目标特征提取能力,提高了复杂背景下铁路货运车辆异物的识别定位精度,异物的识别漏检率降低21.3%,模型具有较强的泛化能力,对异常目标精确定位研究具有一定的参考价值。展开更多
文摘铁路货运车辆车身携带异物容易造成重大安全隐患,出发前必须对车辆外观进行严格检查。采用深度学习方法对异物进行智能识别对提高货检工作效率具有重要意义。针对铁路货运车辆安全检测中异物识别准确率低、漏检率高等问题,以ResNet-50为基本特征提取网络,引入K-Means算法,构建了一种以交并比(Intersection over Union,IoU)为度量的锚框聚类算法,采用自建的异常目标数据集进行了实验测试,结果发现,与传统Faster RCNN相比,改进后的算法有效地增强了深度网络模型的目标特征提取能力,提高了复杂背景下铁路货运车辆异物的识别定位精度,异物的识别漏检率降低21.3%,模型具有较强的泛化能力,对异常目标精确定位研究具有一定的参考价值。
