文档名：列车司机手势识别方法研究
摘要：按照司乘标准执行规定的手势是列车司机驾驶操作的重要环节,通过对司机手势进行检测,能够有效评估列车司机的驾驶状态和操作质量,保证列车行车安全.传统人工检查方式效率低,难以满足实际需求,现有的手势识别算法存在模型参数量大、检测精度较低、检测速度慢等问题.随着智能铁路的发展,利用深度学习方法构建轻量化、高效、高精度的列车司机手势识别模型逐渐成为行业发展需求.针对上述需求,提出一种基于改进YOLOv5的列车司机手势识别模型.首先,引入轻量化卷积PConv改进YOLOv5中的C3模块,降低检测网络的参数量和计算量,提升模型检测效率,并在其后添加CBAM模块,加强重要特征信息,抑制无关信息的干扰,强化检测网络特征提取能力;其次,在颈部层引入BiFPN网络结构替换PANet网络结构,增强不同尺度特征的融合能力,同时通过新增小目标检测层,提高模型对小目标的检测能力;最后,选择Focal-EIoU作为边界框损失优化模型损失函数,加快模型的收敛速度,提高手势定位精度.实验结果表明,改进模型在测试集下mAP@0.5可达97.7%,平均检测时间为23.2ms,相较于YOLOv5计算量降低了23.1%,mAP@0.5和平均检测时间分别提升了0.6个百分点和7.1ms.所提模型可在降低参数量和计算量的同时有效提高检测精度和检测效率,可为列车司机手势识别提供新思路.
Abstract：Executingprescribedgesturesaccordingtothestandardoftrainoperationisacriticalprocedureoftraindriver.Thedrivingstateandoperationqualityoftraindriverscanbeeffectivelyevaluatedbydetectinggesturesofdrivers,whichensuresthesafetyoftrainoperation.Thetraditionalmanualinspectionmethodisinefficient.Thealgorithmofexistinggesturerecognitionhastheproblemsofconsiderablenumberofmodelparameters,lowaccuracyandslowspeedofdetection.Withthedevelopmentofintelligentrailways,usingdeeplearningmethodstobuildalightweight,efficient,andhigh-precisiontraindrivergesturerecognitionmodelhasgraduallybecomeademandforindustrydevelopment.Inresponsetotheabovedemand,atraindrivergesturerecognitionmodelbasedonimprovedYOLOv5wasproposed.First,thelightweightconvolutionnamedPConvwasintroducedtooptimizetheC3moduleforreducingparametersandcalculatingtheamountofthenetwork,andtoimprovetheefficiencyofmodeldetection.Meanwhile,theConvolutionalBlockAttentionModulewasaddedtotheinterferenceofirrelevantinformationandenhancedthefeatureextractionability.Second,bidirectionalfeaturepyramidnetwork(BiFPN)wasintroducedtoreplacethePathAggregationNetwork(PANet)inthenecklayer,whichenhancedthefusionabilityofmulti-scalefeaturesandimprovedthedetectionabilityofsmalltargetsbyaddingasmalltargetdetectionlayer.Finally,theboundingboxlossofthemodelselectedFocal-EIoU,whichspeedsuptheconvergencerateofthemodelandimprovedtheaccuracyofgesturepositioning.Theexperimentalresultsshowthatthemeanaverageprecision(mAP@0.5)oftheimprovedmodelreached97.7%,andtheaveragedetectiontimeofimprovedmodelwas23.2ms.AscomparedtoYOLOv5,theamountofcalculationwasreducedby23.1%,themeanaverageprecisionoftheimprovedmodelwasimprovedby0.6percentagepoints,andtheaveragedetectiontimewasreducedby7.1ms.Themodelcaneffectivelyimprovethedetectionefficiencyandaccuracywhilereducingthenumberofmodelparameters,whichcanprovidenewideasfortraindrivergesturerecognition.
作者：李小平 代旭鹏 孙守庆 朱高伟 Author：LIXiaoping DAIXupeng SUNShouqing ZHUGaowei
作者单位：兰州交通大学自动化与电气工程学院,甘肃兰州730070兰州交通大学机电工程学院,甘肃兰州730070兰州交通大学电子与信息工程学院,甘肃兰州730070
刊名：铁道科学与工程学报
Journal：JournalofRailwayScienceandEngineering
年，卷(期)：2024, 21(2)
分类号：TP391.4
关键词：列车司机 手势识别 YOLOv5 PConv CBAM模块
Keywords：traindriver gesturerecognition YOLOv5 PConv CBAMmodule
机标分类号：TP391.41U491.116P618.130.8
在线出版日期：2024年3月19日
基金项目：甘肃省科学技术厅科技助力经济重点专项列车司机手势识别方法研究[
期刊论文] 铁道科学与工程学报--2024, 21(2)李小平 代旭鹏 孙守庆 朱高伟按照司乘标准执行规定的手势是列车司机驾驶操作的重要环节,通过对司机手势进行检测,能够有效评估列车司机的驾驶状态和操作质量,保证列车行车安全.传统人工检查方式效率低,难以满足实际需求,现有的手势识别算法存在模型...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
列车司机手势识别方法研究 Research on gesture recognition method for train driver
列车司机手势识别方法研究.pdf
- 文件大小:
- 4.75 MB
- 下载次数:
- 60
-
高速下载
|
|
