来源：期刊VIP网 时间：
作者：刘嘉宁;赵才友;张银喜;
单位：西南交通大学土木工程学院;湖南九域同创高分子新材料有限责任公司;
摘要：为解决现有基于深度学习的算法在地铁轨道区域识别上目标分割不精确、计算和存储资源需求大、检测速度慢的问题，提出了一种基于改进DeeplabV3+算法的地铁轨道区域识别算法。该模型将主干网络替换为有较低的模型大小和计算复杂度的轻量级卷积神经网络MobileNetV2，引入注意力机制CBAM(ChannelAttentionModule)来提高网络对特征的感知能力，并改进ASPP(AtrousSpatial Pyramid Pooling)使其能编码多尺度信息。应用自制数据集验证本文方法的有效性，并与经典DeeplabV3+、U-net、MaskR-CNN算法进行对比分析。结果表明：本文算法精确率、准确率、召回率、平均交并比分别为94.57%、94.43%、93.49%、90.24%，训练时长6.5 h，单张图像预测时长51.78 ms，模型大小为23 MB，均优于其他三种算法。本文算法在提高对轨道区域图像分割性能的同时，增强了模型的训练和检测效率，具有运用于地铁轨道区域识别的可行性和实用性。
关键词：地铁;;轨道区域识别;;深度学习;;语义分割;;DeeplabV3+算法
基金资助：国家重点研发计划（2023YFB2603700）
