摘要：鐵路運(yùn)輸?shù)陌踩浅Ｖ匾?，軌道上的異物可能造成事故，造成損失。為了提高檢測(cè)過(guò)程的效率，引入了一種創(chuàng)新的檢測(cè)框架來(lái)跟蹤外來(lái)物體，利用目標(biāo)檢測(cè)和圖像識(shí)別方法的協(xié)同作用。利用YOLOv5的深度學(xué)習(xí)技術(shù)，自動(dòng)準(zhǔn)確地識(shí)別軌道外物體。YOLOv5的快速檢測(cè)和高精度，結(jié)合圖像識(shí)別技術(shù)，增強(qiáng)了異物的分類(lèi)能力。系統(tǒng)通過(guò)多尺度特征圖識(shí)別不同大小的異物，采用數(shù)據(jù)增強(qiáng)技術(shù)，顯著增強(qiáng)了模型跨不同場(chǎng)景的泛化能力和穩(wěn)定性。YOLOv5的適應(yīng)性框架可以很容易地配置模型以滿足各種特定需求。經(jīng)過(guò)圖像數(shù)據(jù)預(yù)處理和訓(xùn)練，系統(tǒng)可以自動(dòng)提取關(guān)鍵信息，實(shí)現(xiàn)準(zhǔn)確檢測(cè)。實(shí)驗(yàn)表明，在檢測(cè)精度和實(shí)時(shí)性上均優(yōu)于傳統(tǒng)方法，為鐵路安全管理提供了一種高效可靠的技術(shù)。未來(lái)的研究將探索先進(jìn)的模型結(jié)構(gòu)和多模態(tài)數(shù)據(jù)，結(jié)合遷移學(xué)習(xí)，以提高系統(tǒng)性能。

關(guān)鍵詞：軌道異物檢測(cè)目標(biāo)檢測(cè)圖像識(shí)別深度學(xué)習(xí)

中圖分類(lèi)號(hào)：U298;TP391.41

OrbitalForeignObjectDetectionSystemBasedonIntegratingObjectDetectionandImageRecognition

JIANGYuelong*MENGSimingCHENWeixunTANGChangjieTANGHefang

GuangzhouRailwayPolytechnic，Guangzhou，GuangdongProvince，511300China

Abstract：Thesafetyofrailwaytransportationisveryimportant，foreignobjectsonthetrackmaycauseaccidentsandlosses.Inordertoimprovetheefficiencyofthedetectionprocess，aninnovativedetectionframeworkhasbeenintroducedtotrackforeignobjects，utilizingthesynergisticeffectofobjectdetectionandimagerecognitionmethods.ItusesDeepLearningtechnologyofYOLOv5toautomaticallyandaccuratelyidentifyobjectsoutsideoforbit.TherapiddetectionandhighprecisionofYOLOv5，combinedwithImageRecognitiontechnology，enhancetheclassificationability offoreignobjects.Thesystemidentifiesforeignobjectsofdifferentsizesthroughmulti-scalefeaturemapsandusesdataaugmentationtechniquestosignificantlyenhancethemodel'sgeneralizationabilityandstabilityacrossdifferentscenarios.TheadaptabilityframeworkofYOLOv5ensuresthatmodelscanbeeasilyconfiguredtomeetvariousspecificneeds.Afterimagedatapreprocessingandtraining，thesystemcanautomaticallyextractkeyinformationandachieveaccuratedetection.Experimentshaveshownthatitoutperformstraditionalmethodsinbothdetectionaccuracyandreal-timeperformance，providinganefficientandreliabletechnologyforrailwaysafetymanagement.Futureresearchwillexploreadvancedmodelstructuresandmulti-modaldata，combinedwithtransferlearning，toimprovesystemperformance.

KeyWords：Orbitalforeignobjectdetection;YOLOv5;Objectdetection;Imagerecognition;DeepLearning

隨著鐵路交通的快速發(fā)展，軌道安全對(duì)整個(gè)鐵路系統(tǒng)的穩(wěn)定性和可靠性至關(guān)重要。軌道異物是影響鐵路安全的重要因素之一，如石塊、垃圾、動(dòng)物尸體等。這些異物在軌道上的存在可能引發(fā)列車(chē)出軌或翻覆等嚴(yán)重鐵路事故，這不僅可能帶來(lái)重大的人員傷亡，還可能導(dǎo)致巨額的財(cái)產(chǎn)損失。因此，及時(shí)發(fā)現(xiàn)并清除軌道異物對(duì)保障鐵路安全運(yùn)行具有重要意義[1]。傳統(tǒng)的軌道異物檢測(cè)方法主要依靠人工巡檢，這種方式效率低下，且易受人為因素影響，難以滿足現(xiàn)代化鐵路運(yùn)輸?shù)男枨蟆＝陙?lái)，隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法在圖像識(shí)別領(lǐng)域取得了顯著成果[2]。這些算法具備了自主識(shí)別圖像內(nèi)目標(biāo)物體位置的能力，同時(shí)確保了高精度和快速響應(yīng)的特性，并具有較高的準(zhǔn)確率和實(shí)時(shí)性。YOLOv5作為近期發(fā)展起來(lái)的高效目標(biāo)識(shí)別框架，以其快速的檢測(cè)速度和高準(zhǔn)確度而受到認(rèn)可。本研究采用YOLOv5技術(shù)，以發(fā)揮其在目標(biāo)識(shí)別方面的卓越性能，實(shí)現(xiàn)對(duì)軌道異物的自動(dòng)識(shí)別和定位，以提高檢測(cè)效率和準(zhǔn)確性，為保障鐵路安全運(yùn)行提供技術(shù)支持。

1YOLOv5算法的優(yōu)勢(shì)

YOLOv5是一款在目標(biāo)檢測(cè)領(lǐng)域具有革命性意義的算法，它以其卓越的速度和效率，以及在多硬件平臺(tái)上的兼容性而著稱。YOLOv5能夠在保持較高檢測(cè)精度的同時(shí)，實(shí)現(xiàn)快速的檢測(cè)速度，這使得它非常適合于需要實(shí)時(shí)處理的場(chǎng)景，例如視頻流分析和自動(dòng)駕駛等。它的設(shè)計(jì)考慮到了用戶的需求，架構(gòu)簡(jiǎn)單直觀，易于理解和實(shí)現(xiàn)，大大降低了用戶入門(mén)和應(yīng)用的難度。YOLOv5的一大亮點(diǎn)是其提供的預(yù)訓(xùn)練模型，這極大地方便了用戶在自己的數(shù)據(jù)集上進(jìn)行遷移學(xué)習(xí)，縮短了模型訓(xùn)練周期[3]，提高了效率。此外，YOLOv5的代碼庫(kù)，尤其是基于PyTorch的Ultralytics版本，以其清晰和簡(jiǎn)潔的API設(shè)計(jì)，使得訓(xùn)練和部署模型變得簡(jiǎn)單快捷，進(jìn)一步提高了用戶的使用體驗(yàn)。在多尺度檢測(cè)方面，YOLOv5通過(guò)采用多尺度特征圖來(lái)檢測(cè)不同大小的對(duì)象，這種設(shè)計(jì)使得它能夠有效地識(shí)別圖像中不同尺寸的目標(biāo)，提高了檢測(cè)的準(zhǔn)確性。YOLOv5的架構(gòu)也經(jīng)過(guò)了精心改進(jìn)，例如引入了CSPNet（CrossStagePartialnetworks）來(lái)降低計(jì)算成本，同時(shí)使用Focus結(jié)構(gòu)通過(guò)切片操作優(yōu)化信息保持和計(jì)算量，這些改進(jìn)都有助于提升模型的性能。數(shù)據(jù)增強(qiáng)是YOLOv5的另一個(gè)重要特性，它在訓(xùn)練過(guò)程中采用了Mosaic和CopyPaste等先進(jìn)的數(shù)據(jù)增強(qiáng)技術(shù)。Mosaic數(shù)據(jù)增強(qiáng)通過(guò)混合四張不同的訓(xùn)練圖像來(lái)創(chuàng)建新的訓(xùn)練樣本，這不僅增加了模型訓(xùn)練數(shù)據(jù)的多樣性，也提高了模型在復(fù)雜場(chǎng)景下的泛化能力。而CopyPaste技術(shù)通過(guò)復(fù)制和粘貼對(duì)象到新的圖像中，進(jìn)一步增加了模型對(duì)目標(biāo)的多樣性識(shí)別，提升了模型的魯棒性。YOLOv5的模塊化設(shè)計(jì)也是其受歡迎的原因之一，它允許用戶根據(jù)自己的需求輕松地修改和擴(kuò)展模型結(jié)構(gòu)，如更改模型的輸入尺寸、添加或刪除層、調(diào)整層的參數(shù)等，這種靈活性使得YOLOv5能夠適應(yīng)各種不同的應(yīng)用場(chǎng)景。

除了技術(shù)優(yōu)勢(shì)，YOLOv5還擁有強(qiáng)大的社區(qū)支持。由于Yolo系列算法的廣泛流行，YOLOv5得到了眾多研究者和開(kāi)發(fā)者的關(guān)注，用戶可以從社區(qū)中方便地獲取教程、問(wèn)題解答和改進(jìn)建議。代碼庫(kù)的頻繁更新也保證了YOLOv5能夠不斷修復(fù)錯(cuò)誤、提高性能和添加新功能，保持了其在目標(biāo)檢測(cè)領(lǐng)域的領(lǐng)先地位。最后，YOLOv5在性能與模型尺寸之間提供了良好的平衡，它提供了不同大小的模型，包括YoloV5s（小型）、YoloV5m（中型）、YoloV5l（大型）和YoloV5x（超大型），用戶可以根據(jù)自己的應(yīng)用場(chǎng)景和硬件條件，在模型大小和性能之間做出合適的選擇，這使得YOLOv5可以適應(yīng)從移動(dòng)設(shè)備到高端服務(wù)器的不同硬件和性能要求。

綜上所述，YOLOv5以其高效、靈活、易于使用和擴(kuò)展的特點(diǎn)，成為了目標(biāo)檢測(cè)領(lǐng)域中一個(gè)非常優(yōu)秀的算法選擇。它不僅適用于需要實(shí)時(shí)處理的場(chǎng)景，而且在保持較高精度的同時(shí)，實(shí)現(xiàn)了極快的檢測(cè)速度，為各種應(yīng)用提供了強(qiáng)大的技術(shù)支持。隨著技術(shù)的不斷發(fā)展和社區(qū)的持續(xù)貢獻(xiàn)，YOLOv5的潛力和應(yīng)用范圍將會(huì)進(jìn)一步擴(kuò)大。

2軌道異物檢測(cè)應(yīng)用

在鐵路運(yùn)輸中，軌道異物檢測(cè)是保障鐵路安全運(yùn)營(yíng)的重要環(huán)節(jié)。為了提高軌道異物檢測(cè)的準(zhǔn)確性，人們采用了多種方法和技術(shù)。特別是，基于人工智能的軌道異物檢測(cè)方法因其高效性和準(zhǔn)確性受到了廣泛關(guān)注。在軌道異物檢測(cè)過(guò)程中，數(shù)據(jù)采集是第一步，也是至關(guān)重要的一步。通過(guò)在軌道沿線部署攝像頭，能夠?qū)崿F(xiàn)軌道圖像數(shù)據(jù)的實(shí)時(shí)采集，涵蓋軌道及其異物。這種方法不僅提高了檢測(cè)的效率，還增強(qiáng)了檢測(cè)結(jié)果的可靠性[4]。這些圖像數(shù)據(jù)包含軌道運(yùn)行狀態(tài)的重要信息，然而，它們也伴隨著大量的噪聲和冗余信息。因此，預(yù)處理是不可或缺的步驟。應(yīng)用去噪、增強(qiáng)等圖像處理技術(shù)，能夠有效地減少無(wú)用信息的影響，并識(shí)別并提取有用的特征。這一過(guò)程對(duì)于后續(xù)的軌道異物檢測(cè)至關(guān)重要，確保了分析的準(zhǔn)確性和效率。在經(jīng)過(guò)預(yù)處理的數(shù)據(jù)基礎(chǔ)上，深度學(xué)習(xí)模型被用來(lái)進(jìn)一步分析和處理這些數(shù)據(jù)。深度學(xué)習(xí)技術(shù)可以自動(dòng)從原始圖像數(shù)據(jù)中學(xué)習(xí)和提取有用的特征，這種方法減少了對(duì)人工進(jìn)行特征工程的需求，從而降低了處理過(guò)程中的復(fù)雜性和個(gè)人判斷的偏差。深度學(xué)習(xí)模型通過(guò)其內(nèi)在的學(xué)習(xí)能力，能夠從原始數(shù)據(jù)中自動(dòng)識(shí)別并提取關(guān)鍵特征。大量的原始圖像數(shù)據(jù)被轉(zhuǎn)化為高度抽象的表達(dá)形式，從而能夠更準(zhǔn)確地識(shí)別出軌道上的異物。在軌道異物檢測(cè)中，深度學(xué)習(xí)模型通常采用卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）等模型[5]。這些模型可以有效地處理圖像數(shù)據(jù)，并能夠提取出圖像中的局部特征。在實(shí)際應(yīng)用中，深度學(xué)習(xí)模型需要大量的標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練。這些標(biāo)注數(shù)據(jù)可以是正常軌道圖像、含有異物的軌道圖像等。通過(guò)對(duì)這些數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，深度學(xué)習(xí)模型可以自動(dòng)學(xué)習(xí)和識(shí)別不同類(lèi)型的軌道異物。在訓(xùn)練過(guò)程中，通過(guò)實(shí)施包括交叉驗(yàn)證在內(nèi)的多種評(píng)估策略，可以全面衡量模型的預(yù)測(cè)效果及其對(duì)新數(shù)據(jù)的適應(yīng)性。

3目標(biāo)檢測(cè)與圖像識(shí)別檢測(cè)軌道異物

基于目標(biāo)檢測(cè)與圖像識(shí)別融合的軌道異物檢測(cè)的方法，能夠有效識(shí)別和定位軌道上的異物，為鐵路安全運(yùn)營(yíng)提供有力支持。本文將詳細(xì)介紹該方法的應(yīng)用場(chǎng)景和實(shí)現(xiàn)過(guò)程，并展示其實(shí)際應(yīng)用效果。

3.1數(shù)據(jù)采集與預(yù)處理

通過(guò)軌道沿線安裝的監(jiān)控設(shè)備捕獲軌道場(chǎng)景的圖像資料。隨后，對(duì)這些圖像執(zhí)行一系列預(yù)處理步驟，如去除圖像噪聲、增強(qiáng)圖像對(duì)比度、調(diào)整圖像尺寸等，以優(yōu)化圖像數(shù)據(jù)的質(zhì)量。

3.2模型選擇與訓(xùn)練

選擇YOLOv5模型（如圖1所示）作為軌道異物檢測(cè)的基礎(chǔ)模型。使用大量標(biāo)注數(shù)據(jù)進(jìn)行模型訓(xùn)練，包括正常軌道圖像、含有異物的軌道圖像等。訓(xùn)練過(guò)程中，可以調(diào)整模型參數(shù)，例如訓(xùn)練輪數(shù)、批處理大小、學(xué)習(xí)率等，以優(yōu)化模型性能。通過(guò)實(shí)施交叉驗(yàn)證等方法，對(duì)模型的效能和其在不同數(shù)據(jù)集上的適應(yīng)性進(jìn)行深入分析，確保模型在實(shí)際應(yīng)用中具備良好的預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性。

3.3異物檢測(cè)與識(shí)別

將預(yù)處理后的圖像輸入到訓(xùn)練好的YOLOv5模型中。模型輸出異物類(lèi)別、位置和置信度信息。根據(jù)置信度閾值，判斷異物是否存在，并進(jìn)行定位和分類(lèi)。

4實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)結(jié)果如圖2和圖3所示，表明基于目標(biāo)檢測(cè)與圖像識(shí)別融合的軌道異物檢測(cè)的方法具有較高的檢測(cè)精度和實(shí)時(shí)性，能夠有效地識(shí)別和定位軌道上的異物，包括石塊、垃圾、水瓶、行人等。與其他目標(biāo)檢測(cè)模型相比，YOLOv5模型在檢測(cè)速度和精度上具有明顯優(yōu)勢(shì)。

4模型設(shè)計(jì)

本文詳細(xì)介紹了一種基于目標(biāo)檢測(cè)與圖像識(shí)別融合的軌道異物檢測(cè)系統(tǒng)，該系統(tǒng)在自動(dòng)化識(shí)別、精確定位和分類(lèi)能力方面發(fā)揮著關(guān)鍵作用。系統(tǒng)設(shè)計(jì)的核心是利用深度學(xué)習(xí)技術(shù)，特別是YOLOv5模型，以實(shí)現(xiàn)對(duì)軌道上異物的高效率和高準(zhǔn)確度檢測(cè)。在數(shù)據(jù)收集與預(yù)處理階段，系統(tǒng)采集了軌道及其周邊環(huán)境的圖像數(shù)據(jù)，并使用標(biāo)注工具對(duì)異物進(jìn)行邊界框和類(lèi)別的標(biāo)注。通過(guò)OpenCV庫(kù)進(jìn)行圖像的讀取、縮放和顏色空間轉(zhuǎn)換等預(yù)處理操作，確保像素值歸一化以適配模型輸入需求。數(shù)據(jù)增強(qiáng)環(huán)節(jié)通過(guò)NumPy和OpenCV實(shí)現(xiàn)，采用隨機(jī)旋轉(zhuǎn)、翻轉(zhuǎn)、縮放和裁剪等技術(shù)，有效提升了模型對(duì)不同環(huán)境條件下異物識(shí)別的泛化能力。YOLOv5模型架構(gòu)包括固定尺寸的圖像輸入、CSPDarknet53[6]作為特征提取的主干網(wǎng)絡(luò)、SPPF和PANet結(jié)構(gòu)增強(qiáng)特征融合[7]，以及用于邊界框預(yù)測(cè)、對(duì)象置信度和類(lèi)別概率預(yù)測(cè)的多個(gè)卷積層。損失函數(shù)的設(shè)計(jì)采用了CIoU損失來(lái)優(yōu)化邊界框預(yù)測(cè)[8]，同時(shí)使用交叉熵?fù)p失和二元交叉熵?fù)p失分別優(yōu)化類(lèi)別預(yù)測(cè)和對(duì)象置信度預(yù)測(cè)。在模型訓(xùn)練策略上，結(jié)合了SGD和Adam優(yōu)化器，并運(yùn)用了學(xué)習(xí)率預(yù)熱和余弦退火等學(xué)習(xí)率調(diào)度策略，引入批歸一化技術(shù)以提高訓(xùn)練速度和模型穩(wěn)定性。后處理步驟中，系統(tǒng)根據(jù)置信度閾值過(guò)濾低置信度預(yù)測(cè)結(jié)果，并應(yīng)用非極大值抑制（NMS）技術(shù)去除重疊預(yù)測(cè)，保留最佳結(jié)果。評(píng)估指標(biāo)包括mAP、F1分?jǐn)?shù)和PR曲線，這些指標(biāo)全面衡量了模型在不同IoU閾值下的平均精度、精確度和召回率（如圖2所示）。模型部署方面，訓(xùn)練好的模型被部署到推理引擎中，并采用ONNX格式以支持跨平臺(tái)運(yùn)行，實(shí)現(xiàn)實(shí)時(shí)圖像輸入和檢測(cè)結(jié)果輸出。性能優(yōu)化環(huán)節(jié)中，系統(tǒng)通過(guò)模型剪枝去除不重要的權(quán)重，減小模型大小，提高推理速度。本文提出的系統(tǒng)通過(guò)一系列精心設(shè)計(jì)的技術(shù)環(huán)節(jié)，實(shí)現(xiàn)了對(duì)軌道異物的高效、精準(zhǔn)檢測(cè)，為鐵路安全管理提供了強(qiáng)有力的技術(shù)支持。

5結(jié)論

本文結(jié)合了目標(biāo)檢測(cè)和圖像識(shí)別的先進(jìn)技術(shù)，研究并實(shí)現(xiàn)了一種基于目標(biāo)檢測(cè)與圖像識(shí)別融合的軌道異物檢測(cè)系統(tǒng)。該系統(tǒng)有效提升了軌道異物檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性，進(jìn)而增強(qiáng)了鐵路運(yùn)輸?shù)陌踩院托?。通過(guò)融合目標(biāo)檢測(cè)的快速定位能力和圖像識(shí)別的精準(zhǔn)分類(lèi)能力，YOLOv5模型在軌道異物檢測(cè)中表現(xiàn)出色，解決了傳統(tǒng)方法的不足。本研究通過(guò)引入YOLOv5模型，有效解決了軌道異物檢測(cè)中梯度消失和梯度爆炸的問(wèn)題，尤其是在處理快速移動(dòng)的異物時(shí)。本研究不僅為軌道異物檢測(cè)領(lǐng)域帶來(lái)了創(chuàng)新，還為深度學(xué)習(xí)技術(shù)在鐵路安全監(jiān)控中的應(yīng)用提供了新的思路和應(yīng)用潛力。未來(lái)的研究可以探索更復(fù)雜的模型結(jié)構(gòu)，結(jié)合多模態(tài)數(shù)據(jù)和遷移學(xué)習(xí)等技術(shù)，進(jìn)一步提升軌道異物檢測(cè)的準(zhǔn)確性和泛化能力。目標(biāo)檢測(cè)和圖像識(shí)別融合的YOLOv5軌道異物檢測(cè)系統(tǒng)為鐵路安全管理提供了一種高效、可靠的技術(shù)手段，展現(xiàn)了深度學(xué)習(xí)技術(shù)在解決實(shí)際問(wèn)題中的巨大潛力和應(yīng)用價(jià)值。

參考文獻(xiàn)

[1]兢克，施天姿，唐鈺淇，等.核電站失水事故的智能預(yù)警及仿真方法研究[J].儀器儀表用戶，2021，28（12）：35-40.

[2]王智睿，康玉卓，曾璇，等.SAR-AIRcraft-1.0：高分辨率SAR飛機(jī)檢測(cè)識(shí)別數(shù)據(jù)集[J].雷達(dá)學(xué)報(bào)，2023，12（4）：906

-922.

[3]謝武，崔夢(mèng)銀，劉滿意，等.一種基于數(shù)據(jù)增強(qiáng)的車(chē)輛圖像檢索方法：CN202010532683.0[P].2024-07-12.

[4]江躍龍.應(yīng)用混合2D-CNN-LSTM模型診斷軸承故障[J].福建電腦，2024，40（5）：33-37.

[5]程秋菊.基于深度學(xué)習(xí)的毫米波圖像目標(biāo)檢測(cè)與識(shí)別方法研究[D].重慶：重慶郵電大學(xué)，2020.

[6]王振興，肖光宇，刁目鑫，等.復(fù)雜環(huán)境中SF_6氣體泄漏紅外圖像監(jiān)測(cè)算法研究[J].電工電能新技術(shù)，2023，42（11）

：93-104.

[7]湯澤政，伍奕樺，徐新明，等.基于改進(jìn)YOLOv7-Tiny的成熟草莓識(shí)別模型研究[J].江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，45（6）：

1528-1542.

[8]王金鵬，何萌，甄乾廣，等.基于改進(jìn)COF-YOLOv8n的油茶果靜態(tài)與動(dòng)態(tài)檢測(cè)計(jì)數(shù)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024，55（

4）：193-203.