毕业设计选题-基于深度学习的铁轨异物入侵检测系统 python 卷积神经网络 人工智能

目录

设计思路

一、课题背景与意义

二、算法理论原理

2.1 铁路轨道区域识别

2.2 改进的YOLOv5算法

三、铁路异物检测的实现

3.1 实现环境

3.2 CBMA注意力机制

3.2 网络性能分析

实现效果图样例

最后

---

前言

       📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

        🚀对毕设有任何疑问都可以问学长哦!

         选题指导:

        最新最全计算机专业毕设选题精选推荐汇总

        大家好,这里是海浪学长毕设专题,本次分享的课题是

        🎯基于深度学习的铁轨异物入侵检测系统

设计思路

一、课题背景与意义

       铁路轨道附近经常会出现落石、滚木、动物和行人等自然和人为因素，对设备和人员的安全构成威胁。因此，铁轨异物检测系统能够发现铁路上的异物，准确识别这些异物并进行报警，对于保证相关部门能够快速、高效地处理突发事件具有重要意义。

二、算法理论原理

2.1 铁路轨道区域识别

       经观察铁路场景，我们发现铁路尽头呈放射状。为了更好地区分轨道区域，我们需要加强区域之间的直线特征。因此，我们选择使用霍夫变换进行直线检测，并得到霍夫矩阵和峰值。我们调整高斯卷积核的角度，以增强边界点的权重。

       我们采用Canny算子进行边缘检测，该算法具有良好的边缘定位精度和抗噪性。边缘检测可以简化图像特征信息，并增加纹理通道，从中提取有用的信息。

       进行霍夫变换，得到霍夫变换矩阵和峰值点（选取4个）。这些峰值点构成了直线特征的分布图，其中右侧边栏显示了灰度值，灰度值越高，图像越亮。

       在获得边界点的权重之后，我们经过sigmoid运算将弱边界点的权重筛除，最终得到碎片区域。然后，通过Mask R-CNN对这些区域进行识别，以获得需要的轨道入侵区域。轨道区域识别的过程如图所示。

2.2 改进的YOLOv5算法

       YOLOv5网络结构主要由输入端、Backbone、Neck、Prediction等4部分组成。主要改进的是Backbone部分。Backbone增加了Focus的切片操作，并且YOLOv5设计了两种C3结构用于特征提取。然而，经过两层C3模块后，特征信息会丢失，这导致目标检测时轨道上的小目标和遮挡目标可能会被遗漏。为了改进原模型的缺陷，在Backbone的C3模块后引入了CBAM。

              其中，IOU是两个框的最小外接矩形的交集与并集的比值。然而，GIOU也存在一些缺点：当两个预测框的高宽相同且处于同一水平面时，GIOU退化为IOU。此外，GIOU和IOU的收敛速度较慢，回归不够准确。

       因此，提出了DIOU来解决目标实际框与目标预测框重合位置不同但IOU Loss和GIOU Loss结果相同的情况。经过直方图均衡后的图像清晰度明显提高，为后续异物的准确识别奠定了良好的基础。

三、铁路异物检测的实现

3.1 实现环境

       使用的操作系统为Ubuntu 20.04，CPU型号为Intel(R) CPU E5-2620v3@2.4 GHz，GPU为GeForce GTX 1080Ti。测试框架为PyTorch。由于能获取到的铁路异物照片较少，为了使实验数据结果更准确，将1,000张铁路异物图片添加到Pascal VOC2023数据集中。但收集到的数据集无法直接用于模型训练，所以采用labelimg对数据进行标注，指定图片中目标的位置和标签，并保存成XML格式。训练集和测试集的比例设定为9:1。

3.2 CBMA注意力机制

       在目标检测算法中，常用的评价指标包括平均精度均值（mAP）、精确率（Precision）、召回率（Recall）以及损失函数CIOU_Loss。 YOLOv5 在训练 50 轮 后召回率达到 0.8 左右，100 轮后达到 0.85 左右，而 经过模型改进后召回率在训练 50 轮后也到了 0.89 左右，100 轮后达到 0.91 左右. 最终经过改进 召回率提升了 7%.

        YOLOv5在50轮后精确 度达到 0.8 左右，100轮后稳定到0.86；经过改进后，50轮精确率稳定到了0.9左右，在训练100轮之后，精确率也稳定到了0.95左右，提升了10%. 可以看 出，加入注意力机制后可提升骨干网络特征提取的 能力，关注更多被忽略的语义信息.而平均精度均值经过训练也达到了一个稳定值100 轮后达到0.93左右，

       平均精度均值经过训练也达到了一个稳定值,100轮后达到0.93左右,如图所示,改进前 后 mAP值明显提高很多,证明了经过改进后算法可以更准确地检测出目标.

       从图中来看,YOLOv5 在50轮后，损失值才达到0.04左右，最终稳定到0.038左右;在换成 CIOU 损失函数后,初始损失值在0.07左右,最终稳定在0.03，在50轮时，损失值已经降到0.04下,这证明改进后预测框可以快速逼近真实框.

3.2 网络性能分析

       为了验证每种改进的效果，我们在同一数据集上进行了消融实验，依次在模型上加入了CBAM和CIOU损失函数。在表格中，"√"表示添加了该改进。

       为了验证算法的有效性，我们将其与SSD、Faster R-CNN、YOLOv3和YOLOv5算法在同一数据集和配置环境下进行了对比。我们使用mAP和FPS作为评价指标，并将对比结果列在表中。

       改进后的算法的mAP值可以达到94.1%，相比于YOLOv3提高了最多14.62%，相比于SSD提高了12.43%，检测准确率明显提高。

部分代码如下：

def __init__(self, in_channels):
        super(CBAMModule, self).__init__()
        
        self.channel_attention = nn.Sequential(
            nn.AdaptiveAvgPool2d(1),
            Conv(in_channels, in_channels // 16, kernel_size=1),
            nn.ReLU(inplace=True),
            Conv(in_channels // 16, in_channels, kernel_size=1),
            nn.Sigmoid()
        )
        
        self.spatial_attention = nn.Sequential(
            Conv(in_channels, 1, kernel_size=7, padding=3),
            nn.Sigmoid()
        )
    
    def forward(self, x):
        attention = self.channel_attention(x) * self.spatial_attention(x)
        x = x * attention
        
        return x

class CIOULoss(nn.Module):
    def __init__(self):
        super(CIOULoss, self).__init__()
    
    def forward(self, pred_boxes, target_boxes):
        # 计算CIOU损失
        pass

实现效果图样例

创作不易,欢迎点赞、关注、收藏。

毕设帮助，疑难解答，欢迎打扰！

最后