地铁停车场和车辆段是城市轨道交通系统的核心运维场所,承担着地铁车辆停放、检修、调度等重要任务,也是人员、车辆、设备交互频繁的高风险区域,其安全关乎整个地铁系统的运营。基于计算机视觉技术开发相关算法,旨在辅助地铁场段内异物...地铁停车场和车辆段是城市轨道交通系统的核心运维场所,承担着地铁车辆停放、检修、调度等重要任务,也是人员、车辆、设备交互频繁的高风险区域,其安全关乎整个地铁系统的运营。基于计算机视觉技术开发相关算法,旨在辅助地铁场段内异物检测与安全管控。本文提出了一种基于YOLOv8-Metro(you only look once version 8-Metro,YOLOv8-Metro)的安全管控算法,由作业人员、地铁车辆、轨道异物3类目标检测和安全管控决策两部分构成。其中,目标检测模型是在YOLOv8的基础上引入卷积注意力机制(convolutional block attention mechanism,CBAM)、深度可分离卷积模块(depthwise separable convolution,DWS-Conv)和双向特征金字塔网络(bidirectional feature pyramid network,BiFPN),大幅增强了模型对多尺度目标和复杂场景下的实时检测能力;安全管控决策在目标检测的基础上,综合考虑3类目标的位置、运动状态和作业计划,实时判断场段内是否存在上述两类安全风险。以南京地铁某场段为实验现场,采集各类场景下股道异物、作业人员和地铁车辆图像,创建原始数据集,测试YOLOv8-Metro的目标检测和安全管控效果。实验结果表明,YOLOv8-Metro对目标检测的整体精度达到了96.3%,在复杂光照、遮挡等各类挑战性场景下,仍保持较高的鲁棒性;此外,各种作业场景下安全风险预警的召回率为0.975,F1-score为0.963,有效降低了漏报的概率。本文所开发的YOLOv8-Metro模型能够满足地铁场段安全管控对检测精度和实时性的需求,有望赋能地铁系统的安全管理。展开更多
文摘地铁停车场和车辆段是城市轨道交通系统的核心运维场所,承担着地铁车辆停放、检修、调度等重要任务,也是人员、车辆、设备交互频繁的高风险区域,其安全关乎整个地铁系统的运营。基于计算机视觉技术开发相关算法,旨在辅助地铁场段内异物检测与安全管控。本文提出了一种基于YOLOv8-Metro(you only look once version 8-Metro,YOLOv8-Metro)的安全管控算法,由作业人员、地铁车辆、轨道异物3类目标检测和安全管控决策两部分构成。其中,目标检测模型是在YOLOv8的基础上引入卷积注意力机制(convolutional block attention mechanism,CBAM)、深度可分离卷积模块(depthwise separable convolution,DWS-Conv)和双向特征金字塔网络(bidirectional feature pyramid network,BiFPN),大幅增强了模型对多尺度目标和复杂场景下的实时检测能力;安全管控决策在目标检测的基础上,综合考虑3类目标的位置、运动状态和作业计划,实时判断场段内是否存在上述两类安全风险。以南京地铁某场段为实验现场,采集各类场景下股道异物、作业人员和地铁车辆图像,创建原始数据集,测试YOLOv8-Metro的目标检测和安全管控效果。实验结果表明,YOLOv8-Metro对目标检测的整体精度达到了96.3%,在复杂光照、遮挡等各类挑战性场景下,仍保持较高的鲁棒性;此外,各种作业场景下安全风险预警的召回率为0.975,F1-score为0.963,有效降低了漏报的概率。本文所开发的YOLOv8-Metro模型能够满足地铁场段安全管控对检测精度和实时性的需求,有望赋能地铁系统的安全管理。
