来源：期刊VIP网 时间：
作者：马小平;李松;卢思博;张瀚青;赖征;
单位：北京交通大学先进轨道交通自主运行全国重点实验室;北京交通大学交通运输学院;北京交通大学计算机与信息技术学院;
摘要：为有效解决大雾环境下铁路异物侵限小目标检测难等关键问题，提出一种基于深度学习的图像去雾处理与小目标精准识别一体化方法。通过融合基于AOD-Net的铁路图像去雾算法，引入Swin Transformer模块对YOLO v5算法的主干网络进行替换，使用卷积核修正通道数，得到具备图像去雾处理功能的ST-YOLO算法对去雾后铁路图像中的远距离小目标进行检测。基于公共数据集对该算法进行训练及测试，使该算法对于远距离小目标的检测在测试集中准确率稳定在0.9。实验结果表明：基于ST-YOLO的铁路异物侵限精准识别算法对大雾环境下远距离小目标异物侵限的平均检测精度达到92.3%，检测速度达到80帧/s，同其他目标检测算法相比，该算法检测速度更快、精度更高，为恶劣天气下铁路异物侵限检测提供参考。
关键词：异物侵限检测;;AOD-Net;;YOLO v5;;Swin Transformer;;小目标检测
基金资助：国家自然科学基金青年项目（I19A800010）;; 中央高校基本科研业务费专项资金资助项目（2023JBZY008）
