SSD算法及其在铁路场景异常目标检测中的应用研究

发布时间：2023-06-05 19:51

　　随着铁路运营网络的日益稠密,铁路系统的安全运行变得尤为重要,需要采取有效的措施尽可能的降低铁路限界内入侵异物对安全运行的影响。现如今研究可靠准确的算法用以确保铁路交通运输安全已成为铁路运营的重要课题。传统的目标检测算法用于铁路场景异常目标检测时,存在特征提取难度高、算法性能易受外界环境影响的不足。近年来,采用卷积神经网络进行目标的特征提取,逐渐取代了人为目标特征设计,并且具有良好的鲁棒性。本课题结合具有良好实时性和检测精度性能的单定点多边框检测器(Single Shot MultiBox Detector,SSD)算法,进行了其在铁路场景异物检测中的应用研究。研究过程收集了铁路场景和普通场景下包含待检测类别的目标图像,结合迁移学习的思想,对SSD网络采取不同的方法进行了多次训练,得到了用于铁路场景异物侵限检测的卷积网络模型,并对模型的性能进行了分析。针对SSD算法对于小尺寸目标检测效果不佳的问题,改进性地提出了多块SSD算法,该过程首先对于待检测图片进行四个重叠区域的分割,然后对划分的图片同时进行SSD网络的检测,最后将检测的结果进行整合筛选输出,解决了传统SSD检测算法对小目标物体检...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题的背景及意义
    1.2 国内外铁路异物检测研究现状
        1.2.1 国内研究现状
        1.2.2 国外研究现状
        1.2.3 研究现状分析
    1.3 本文研究的主要内容及章节安排
第二章 基于深度学习的目标检测算法理论基础
    2.1 卷积神经网络
        2.1.1 网络结构的定义
        2.1.2 卷积层
        2.1.3 池化层
        2.1.4 全连接层
    2.2 目标检测基本组件
        2.2.1 区域生成
        2.2.2 边框回归
        2.2.3 非极大值抑制
    2.3 公共评价指标
        2.3.1 正确率与召回率
        2.3.2 平均正确率与平均检测精度
        2.3.3 检测速度
第三章 SSD目标检测算法研究
    3.1 SSD网络模型
        3.1.1 基网络VGG-16
        3.1.2 SSD网络结构
        3.1.3 SSD模型特色
    3.2 SSD算法网络结构推理
        3.2.1 目标位置(Bounding Box)
        3.2.2 SSD目标信息生成网络
第四章 基于传统SSD的铁路场景异物侵限检测
    4.1 Caffe深度学习框架
        4.1.1 Caffe框架概述
        4.1.2 Caffe框架结构
    4.2 传统SSD铁路场景异物检测
        4.2.1 铁路场景数据集
        4.2.2 数据集的标注与格式转换
        4.2.3 模型训练及结果分析
第五章 基于改进的多块SSD的铁路场景异物侵限检测
    5.1 多块SSD网络结构
        5.1.1 网络模型
        5.1.2 多区域检测结果融合
        5.1.3 子块检测结果抑制与筛选
    5.2 多块SSD实现过程
    5.3 检测结果分析
第六章 总结与展望
    6.1 本文的主要贡献
    6.2 课题中存在的问题及进一步的研究方向
参考文献
在学期间的研究成果
致谢



本文编号：3831941