摘要 鑒于無人機(jī)在軌交監(jiān)測中的廣泛應(yīng)用及其靈活性優(yōu)勢，該研究針對(duì)無人機(jī)視角下小目標(biāo)檢測的挑戰(zhàn)，包括檢測難度、異物遮擋、相似性干擾和相機(jī)抖動(dòng)等問題，提出了改進(jìn)方案。通過將SEAttention技術(shù)集成到Y(jié)OLOv8檢測模型的骨干網(wǎng)絡(luò)中，增強(qiáng)了模型對(duì)小目標(biāo)的識(shí)別能力。改進(jìn)后的YOLOv8-fly模型經(jīng)過大量數(shù)據(jù)集訓(xùn)練，顯著提升了無人機(jī)在鐵路異物入侵檢測中的準(zhǔn)確性和效率。試驗(yàn)結(jié)果證明：該模型在小目標(biāo)異物檢測任務(wù)中具有明顯優(yōu)勢，為提升智慧軌交系統(tǒng)的安全性和效率提供了新的技術(shù)支撐。

關(guān)鍵詞 無人機(jī)鐵路異物入侵檢測；SEAttention；YOLOv8-fly；智慧軌交；深度學(xué)習(xí)；遷移學(xué)習(xí)

中圖分類號(hào) TP39 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-8949（2024）21-0005-04

0 引言

隨著現(xiàn)代化科學(xué)技術(shù)的快速發(fā)展，智慧軌交系統(tǒng)的構(gòu)建和升級(jí)已成為當(dāng)今交通發(fā)展的重要趨勢。然而，在智慧軌交系統(tǒng)中，鐵路異物入侵問題日益凸顯，對(duì)列車運(yùn)行安全構(gòu)成了嚴(yán)重威脅。傳統(tǒng)的接觸式檢測方法存在精度低，無法準(zhǔn)確定位異物位置、大小、形狀等問題，而人工巡檢則存在巡檢人員疏忽、工器具遺落、漏檢等風(fēng)險(xiǎn)。因此，開發(fā)一種高效、準(zhǔn)確的鐵路異物入侵檢測系統(tǒng)具有重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值[1]。目前，針對(duì)鐵路異物入侵問題，已有研究將人工智能技術(shù)與圖像視頻分析結(jié)合，通過對(duì)軌道異物進(jìn)行目標(biāo)檢測來實(shí)現(xiàn)入侵檢測和報(bào)警。這種方法可以有效地提高檢測精度和效率，降低人力巡檢的成本。然而，現(xiàn)有的目標(biāo)檢測技術(shù)仍存在一些挑戰(zhàn)，如檢測精度、檢測速度、模型大小等問題，導(dǎo)致其在軌道異物檢測中不能發(fā)揮出最大價(jià)值。該研究旨在解決目前鐵路異物入侵檢測中存在的問題，通過利用無人機(jī)代替人工進(jìn)行巡檢，結(jié)合圖像視頻分析技術(shù)，實(shí)現(xiàn)對(duì)軌道異物的精準(zhǔn)、快速檢測。無人機(jī)巡檢不僅可以擺脫生產(chǎn)工作對(duì)人力的依賴，減少用工支出和成本，還能提升巡檢工作的準(zhǔn)確性和效率，保障作業(yè)的安全。該研究以無人機(jī)為核心載體，通過收集靜（動(dòng)）態(tài)圖像信息，對(duì)采集的數(shù)據(jù)進(jìn)行視覺矯正?；赮OLOv8-fly模型與SEAttention技術(shù)融合的圖像特征提取方法，結(jié)合視覺顯著性的異物提取和特征學(xué)習(xí)的異物識(shí)別技術(shù)，對(duì)出現(xiàn)的物體進(jìn)行識(shí)別并判斷其是否干擾列車正常運(yùn)行。一旦識(shí)別為異物，系統(tǒng)將計(jì)算異物的地平面定位，并確認(rèn)其在對(duì)應(yīng)坐標(biāo)系中的坐標(biāo)。通過云平臺(tái)的方式，基于視頻內(nèi)容的異物跟蹤及入侵行為預(yù)警技術(shù)，系統(tǒng)將自動(dòng)反饋給后臺(tái)工作人員發(fā)出警報(bào)信息，并及時(shí)對(duì)列車進(jìn)行限速控制[2]。此外，該研究還將探索如何最大限度降低由于事故所帶來的直接和間接影響，并指派人員到達(dá)現(xiàn)場進(jìn)行異物處理。

1 YOLOv8目標(biāo)檢測模型

YOLOv8模型，作為一種基于深度學(xué)習(xí)的目標(biāo)檢測模型，相較于其他目標(biāo)檢測算法，其展現(xiàn)出了顯著的性能優(yōu)勢和廣泛的應(yīng)用潛力。此外，YOLOv8在先前YOLO（You Only Look Once）版本的基礎(chǔ)上進(jìn)行了關(guān)鍵的改進(jìn)和創(chuàng)新[2]，YOLOv8集成了多個(gè)YOLO系列模型的優(yōu)勢，對(duì)模型結(jié)構(gòu)進(jìn)行了全面優(yōu)化，不僅繼承了前代模型的優(yōu)點(diǎn)，而且在多個(gè)關(guān)鍵領(lǐng)域?qū)崿F(xiàn)了顯著的突破。得益于上述新技術(shù)的采用和結(jié)構(gòu)優(yōu)化，YOLOv8能在CPU至GPU的多種硬件平臺(tái)上高效運(yùn)行，展現(xiàn)出卓越的實(shí)時(shí)性和準(zhǔn)確性。YOLOv8支持廣泛的視覺AI任務(wù)，涵蓋檢測、分割、姿態(tài)估計(jì)、跟蹤和分類等多個(gè)方面[3]。通過采用先進(jìn)的目標(biāo)檢測算法和技術(shù)，YOLOv8模型能在不同場景下實(shí)現(xiàn)高精度的目標(biāo)檢測。

2 注意力機(jī)制在YOLOv8模型的構(gòu)建

構(gòu)建帶有注意力機(jī)制的YOLOv8模型以優(yōu)化無人機(jī)鐵路異物入侵檢測任務(wù)，是一項(xiàng)結(jié)合了深度學(xué)習(xí)和計(jì)算機(jī)視覺技術(shù)的復(fù)雜任務(wù)。YOLOv8是一個(gè)先進(jìn)的目標(biāo)檢測模型，它利用深度學(xué)習(xí)技術(shù)，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN），實(shí)現(xiàn)了對(duì)圖像中目標(biāo)的快速、準(zhǔn)確的識(shí)別和定位。其基礎(chǔ)結(jié)構(gòu)包括卷積層、池化層、全連接層等，其核心是Darknet-53網(wǎng)絡(luò)[4]，用于高效地提取圖像特征。這一結(jié)構(gòu)為無人機(jī)鐵路異物入侵檢測任務(wù)提供了堅(jiān)實(shí)的基礎(chǔ)。為了進(jìn)一步提升模型的性能，該研究引入了注意力機(jī)制[5]。在無人機(jī)鐵路異物入侵檢測中，注意力機(jī)制能夠協(xié)助模型更加聚焦于關(guān)鍵特征，如異物的形狀、大小、顏色等，從而有效提高檢測的準(zhǔn)確性和效率。根據(jù)任務(wù)需求，我們可以選擇通道注意力、空間注意力或兩者的結(jié)合來優(yōu)化模型。在YOLOv8中集成注意力模塊需要謹(jǐn)慎選擇其位置。通常，注意力模塊可以放置在特征提取之后或特征融合之前。根據(jù)所選的注意力機(jī)制，需要修改YOLOv8的網(wǎng)絡(luò)結(jié)構(gòu)，添加相應(yīng)的層或模塊來實(shí)現(xiàn)注意力機(jī)制。為了訓(xùn)練帶有注意力機(jī)制的YOLOv8模型，需要準(zhǔn)備標(biāo)注的無人機(jī)鐵路異物入侵?jǐn)?shù)據(jù)集。設(shè)置合適的訓(xùn)練參數(shù)，如學(xué)習(xí)率、批處理大小、迭代次數(shù)等，對(duì)于模型的訓(xùn)練至關(guān)重要。利用深度學(xué)習(xí)框架（如PyTorch或TensorFlow），可以高效地訓(xùn)練模型，直至其性能達(dá)到預(yù)期要求。通過驗(yàn)證集或測試集，可以評(píng)估模型的性能，如準(zhǔn)確率、召回率、mAP等指標(biāo)。根據(jù)評(píng)估結(jié)果，可以對(duì)模型進(jìn)行調(diào)優(yōu)，如調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)、優(yōu)化訓(xùn)練參數(shù)等。重復(fù)訓(xùn)練和評(píng)估過程，直至模型性能達(dá)到最佳狀態(tài)。最后，將訓(xùn)練好的帶有注意力機(jī)制的YOLOv8模型部署到無人機(jī)鐵路異物入侵檢測系統(tǒng)中。通過實(shí)時(shí)采集無人機(jī)拍攝的視頻或圖像數(shù)據(jù)，利用該模型進(jìn)行異物的識(shí)別和定位，從而實(shí)現(xiàn)高效的鐵路安全監(jiān)測。

3 基于注意力機(jī)制的YOLOv8-fly模型

在鐵路異物入侵檢測領(lǐng)域，為提升檢測效率和精確性，該文選取了單階段檢測算法YOLOv8作為基礎(chǔ)框架。該算法具備在多尺度特征上直接預(yù)測目標(biāo)類別和位置的能力，不僅提高了檢測效率，還簡化了操作流程，進(jìn)而優(yōu)化了不同大小目標(biāo)的預(yù)測效果。YOLOv8算法框架（如圖1所示）由四大核心組件構(gòu)成[6]：輸入（Input）、骨干（Backbone）、頸部（Neck）和頭部（Head）[5]，每一部分均發(fā)揮著至關(guān)重要的作用，共同構(gòu)成了這一高效的目標(biāo)檢測算法。在眾多YOLO系列算法中，YOLOv8憑借其卓越性能，成為當(dāng)前最為先進(jìn)的一階段目標(biāo)檢測算法之一。然而，YOLOv8在計(jì)算量、模型復(fù)雜度及識(shí)別類別上仍存在一定局限。為克服這些挑戰(zhàn)，該文創(chuàng)新性地提出了針對(duì)鐵路異物入侵檢測的改進(jìn)模型YOLOv8-fly（如圖2所示）。該模型在骨干特征提取網(wǎng)絡(luò)中巧妙地引入了SEAttention注意力機(jī)制，革新了傳統(tǒng)的圖像處理任務(wù)方法，并在目標(biāo)分類、檢測、分割和跟蹤等領(lǐng)域均取得了顯著成效，從而大幅提升了異物入侵檢測的能力。在實(shí)際應(yīng)用中，通過大量數(shù)據(jù)集，結(jié)合標(biāo)注圖片和遷移學(xué)習(xí)技術(shù)，對(duì)YOLOv8-fly模型進(jìn)行了深入的訓(xùn)練和學(xué)習(xí)。這使得模型能夠自動(dòng)學(xué)習(xí)和識(shí)別多種類型的鐵路入侵異物特征，在實(shí)際檢測中展現(xiàn)出更高的準(zhǔn)確性和效率。

圖1 YOLOv8網(wǎng)絡(luò)結(jié)構(gòu)圖

圖2 YOLOv8-fly網(wǎng)絡(luò)結(jié)構(gòu)圖

4 YOLOv8模型與無人機(jī)的深度融合

該文以無人機(jī)攝像圖傳為研究對(duì)象，通過引入先檢測后跟蹤（Tracking By Detection，TBD）模式，實(shí)現(xiàn)了無人機(jī)視角下的鐵路異物入侵檢測任務(wù)。在此過程中，首先運(yùn)用目標(biāo)檢測算法精確提取異物目標(biāo)的檢測框信息，這些信息涵蓋了目標(biāo)位置、類別以及置信度得分等關(guān)鍵數(shù)據(jù)。隨后，基于這些詳盡的信息，采用先進(jìn)的YOLOv8-fly模型進(jìn)行預(yù)測和數(shù)據(jù)關(guān)聯(lián)，確保了對(duì)目標(biāo)的準(zhǔn)確跟蹤。目標(biāo)檢測算法的性能對(duì)目標(biāo)跟蹤的精度具有決定性作用。然而，在無人機(jī)高空飛行場景中，由于異物目標(biāo)像素點(diǎn)相對(duì)較少，傳統(tǒng)的小目標(biāo)檢測方法往往效果欠佳，從而影響了整體的跟蹤性能。為應(yīng)對(duì)這一挑戰(zhàn)，該研究創(chuàng)新性地將YOLOv8-fly模型與無人機(jī)技術(shù)進(jìn)行了深度融合。這一技術(shù)融合不僅充分結(jié)合了目標(biāo)檢測算法與無人機(jī)技術(shù)的各自優(yōu)勢，更為鐵路異物入侵檢測等任務(wù)提供了高效、準(zhǔn)確的解決方案。YOLOv8-fly模型作為當(dāng)前先進(jìn)的目標(biāo)檢測算法，以其卓越的實(shí)時(shí)性和準(zhǔn)確性在業(yè)界備受贊譽(yù)。它采用基于Anchor-Free的檢測策略，直接預(yù)測目標(biāo)的中心點(diǎn)和寬高比例，從而顯著提升了檢測精度和速度。這一特性使得YOLOv8-fly模型特別適用于處理無人機(jī)捕獲的高清圖像或視頻數(shù)據(jù)，能夠迅速而準(zhǔn)確地識(shí)別和定位軌道上的異物。與此同時(shí)，無人機(jī)作為一種高度靈活的空中平臺(tái)，具備廣泛覆蓋區(qū)域并實(shí)時(shí)捕獲鐵路沿線圖像信息的能力。其高度機(jī)動(dòng)性和視角優(yōu)勢使得無人機(jī)能夠在復(fù)雜環(huán)境中高效巡檢，尤其是在人力難以到達(dá)或覆蓋的區(qū)域。無人機(jī)搭載的高清攝像頭和傳感器能夠捕獲清晰的圖像數(shù)據(jù)[7]，為YOLOv8-fly模型提供了豐富的輸入信息。通過將YOLOv8-fly模型與無人機(jī)進(jìn)行深度融合，實(shí)現(xiàn)了以下顯著優(yōu)勢：無人機(jī)實(shí)時(shí)采集的圖像數(shù)據(jù)能夠迅速通過高速傳輸鏈路傳輸至處理中心，并由YOLOv8-fly模型進(jìn)行實(shí)時(shí)目標(biāo)檢測。這一特點(diǎn)有助于及時(shí)發(fā)現(xiàn)并處理軌道上的異物，從而降低了潛在的安全風(fēng)險(xiǎn)。結(jié)合無人機(jī)的高清圖像數(shù)據(jù)和YOLOv8-fly模型的精確檢測能力，能夠?qū)Ξ愇镞M(jìn)行準(zhǔn)確識(shí)別和定位。這不僅有助于避免誤報(bào)和漏報(bào)，還提高了鐵路異物入侵檢測的準(zhǔn)確性。無人機(jī)的自主飛行和YOLOv8-fly模型的自動(dòng)化處理大幅減少了人工巡檢的工作量和時(shí)間成本。同時(shí)，通過優(yōu)化算法和模型結(jié)構(gòu)，進(jìn)一步提高了檢測速度，實(shí)現(xiàn)了對(duì)大量圖像數(shù)據(jù)的快速處理。

強(qiáng)大的擴(kuò)展性：YOLOv8-fly模型與無人機(jī)的深度融合不僅適用于鐵路異物入侵檢測，還可廣泛應(yīng)用于環(huán)境監(jiān)測、災(zāi)害救援、農(nóng)業(yè)巡查等多個(gè)領(lǐng)域。通過調(diào)整模型和參數(shù)，能夠靈活適應(yīng)不同場景和需求。綜上所述，YOLOv8-fly模型與無人機(jī)的深度融合為鐵路異物入侵檢測等任務(wù)提供了高效、準(zhǔn)確的解決方案。這一技術(shù)的實(shí)施將顯著提升鐵路運(yùn)營的安全性和效率，為智能化巡檢系統(tǒng)的發(fā)展注入新的活力。

5 試驗(yàn)結(jié)果分析

在該文深入探討了無人機(jī)視角下的鐵路異物入侵檢測任務(wù)后，通過引入先檢測后跟蹤（Tracking By Detection，TBD）模式，并結(jié)合先進(jìn)的YOLOv8-fly模型，實(shí)現(xiàn)了對(duì)鐵路異物的高效、準(zhǔn)確檢測（如圖3所示）。經(jīng)過試驗(yàn)驗(yàn)證，YOLOv8-fly模型在鐵路異物入侵檢測任務(wù)中表現(xiàn)出了卓越的性能。通過PR曲線圖可知，YOLOv8-fly模型在精確率和召回率方面的平均精度（AP）值達(dá)到90%以上（如圖4所示）。這一結(jié)果證明了YOLOv8-fly模型在鐵路異物入侵檢測領(lǐng)域的優(yōu)勢和潛力。通過將YOLOv8-fly模型與無人機(jī)技術(shù)進(jìn)行深度融合，實(shí)現(xiàn)了對(duì)鐵路異物的實(shí)時(shí)、高效檢測。無人機(jī)作為一種高度靈活的空中平臺(tái)，能夠?qū)崟r(shí)捕獲鐵路沿線的圖像信息，為YOLOv8-fly模型提供豐富的輸入數(shù)據(jù)。同時(shí)，YOLOv8-fly模型的快速檢測能力能夠及時(shí)發(fā)現(xiàn)并處理軌道上的異物，從而降低了潛在的安全風(fēng)險(xiǎn)。此外，YOLOv8-fly模型不僅適用于鐵路異物入侵檢測任務(wù)，還具備廣泛的應(yīng)用前景。該模型可以通過調(diào)整參數(shù)和模型結(jié)構(gòu)來適應(yīng)不同的場景和需求，為環(huán)境監(jiān)測、災(zāi)害救援、農(nóng)業(yè)巡查等領(lǐng)域提供有效的解決方案。未來的工作將聚焦于算法的精細(xì)調(diào)整、網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化改進(jìn)以及數(shù)據(jù)增強(qiáng)技術(shù)的深入應(yīng)用等方面。通過進(jìn)一步研究，能夠有效提高YOLOv8-fly模型的檢測精度和實(shí)時(shí)性，為鐵路運(yùn)營的安全性和效率做出更大的貢獻(xiàn)。該研究通過引入YOLOv8-fly模型與無人機(jī)技術(shù)的深度融合，實(shí)現(xiàn)了對(duì)鐵路異物的高效、準(zhǔn)確檢測。這一技術(shù)的成功應(yīng)用不僅為鐵路運(yùn)營的安全性和效率提供了有力保障，也為智能化巡檢系統(tǒng)的發(fā)展注入了新的活力。

6 結(jié)論

該文研究了一種創(chuàng)新的基于YOLOv8模型的鐵路異物入侵檢測系統(tǒng)，該系統(tǒng)結(jié)合了YOLOv8和無人機(jī)技術(shù)，顯著提升了異物入侵預(yù)測和監(jiān)測的準(zhǔn)確性和實(shí)時(shí)性，從而提高了檢測系統(tǒng)整體的工作效率和安全性。通過引入了優(yōu)化后的YOLOv8-fly模型，并集成SEAttention注意力機(jī)制，進(jìn)一步增強(qiáng)了模型的檢測性能。試驗(yàn)結(jié)果顯示，基于YOLOv8-fly模型的鐵路異物入侵檢測方法在精確率和實(shí)時(shí)性方面均表現(xiàn)出色，能夠?qū)崿F(xiàn)對(duì)鐵路異物入侵的精準(zhǔn)監(jiān)測，為智慧軌交異物檢測提供了強(qiáng)有力的技術(shù)支撐。未來將繼續(xù)探索更為復(fù)雜的模型結(jié)構(gòu)，并考慮結(jié)合多模態(tài)數(shù)據(jù)和遷移學(xué)習(xí)等先進(jìn)技術(shù)，以進(jìn)一步提高異物檢測的準(zhǔn)確性和模型的泛化能力。該研究的方法不僅適用于鐵路異物入侵檢測，還具有廣泛的推廣潛力，可應(yīng)用于其他類型的軌道交通行駛途中的異物入侵檢測，推動(dòng)智慧軌交的全面發(fā)展和軌道交通業(yè)的智能化升級(jí)。

參考文獻(xiàn)

[1]張楠.基于視頻的鐵路異物入侵檢測技術(shù)研究[D].杭州：浙江大學(xué)，2022.

[2]李丹丹.鐵路軌道異物入侵的智能識(shí)別研究[D].蘭州：蘭州交通大學(xué)，2016.

[3]張碧川，劉衛(wèi)東，米浩，等.基于輕量化YOLOv8的安全帽檢測[J].電腦與電信，2024，（Z1）：35-39.

[4]謝有浩，魏保良，姜闊勝，等.嵌入自適應(yīng)注意力機(jī)制YOLOv3的類圓桿物計(jì)數(shù)方法研究[J].邵陽學(xué)院學(xué)報(bào)（自然科學(xué)版），2023（1）：24-31.

[5]左歡.基于深度學(xué)習(xí)的鋼材表面缺陷檢測[D].西安.西安工業(yè)大學(xué)，2024.

[6]李金靈，李維剛，陳燕才，等.基于改進(jìn)YOLOv5算法的帶鋼表面缺陷檢測[J].鋼鐵研究學(xué)報(bào)，2023（6）：767-777.

[7]李海濤.淺談配電網(wǎng)無人機(jī)自主巡檢注意事項(xiàng)[J].農(nóng)村電工，2024（5）：38-39.

收稿日期：2024-06-03

作者簡介：江躍龍（1984—），男，碩士研究生，研究方向：人工智能技術(shù)。

基金項(xiàng)目：2023年廣東省科技創(chuàng)新戰(zhàn)略專項(xiàng)資金“基于無人機(jī)智能感知的軌道異物入侵巡檢系統(tǒng)”（pdjh2023b0950）；廣東省普通高校創(chuàng)新團(tuán)隊(duì)項(xiàng)目（自然科學(xué)）“面向軌道交通的智能巡檢算法研究及應(yīng)用創(chuàng)新團(tuán)隊(duì)”（2021KCXTD068）；2022年州市高等教育教學(xué)質(zhì)量與教學(xué)改革工程“計(jì)算機(jī)應(yīng)術(shù)專業(yè)群“雙師型”教師培養(yǎng)培訓(xùn)基地”（2022SSPRJD004）；2024年廣東省科技創(chuàng)新戰(zhàn)略專項(xiàng)資金“基于注意力機(jī)制的深度學(xué)習(xí)列車司機(jī) BCG 信號(hào)心率健康檢測研究”（pdjh2024b629）。