基于改进RetinaNet模型的接触网鸟巢检测

摘要

cqvip:鸟类活动故障已经成为高速铁路的主要隐患之一,找出和清理接触网的鸟巢是一种应对手段。传统的鸟巢目标检测方法需要人工提取特征,而手工设计的特征难以在复杂的接触网场景中保证泛化能力。针对该问题,本文提出使用基于深度学习的目标检测算法识别接触网鸟巢,并提出一种基于一阶段目标检测模型RetinaNet的改进模型,增加P2特征层,扩充网络的感受野范围,以更好地检测出目标较小的鸟巢。最后使用高铁车载设备的数据集对基于深度学习的目标检测算法进行了训练和测试。实验结果表明:基于深度学习的目标检测算法在接触网鸟巢检测任务上表现优秀,且改进RetinaNet模型的mAP值达到了90.4%,优于原模型,对于高速铁路的避障任务具有参考和应用价值.