普速铁路低光照环境的自适应目标检测方法研究OA

普速铁路汛期异物侵限导致的行车安全事件时有发生,面对逐年严峻的防洪防汛工作形势,传统的人工巡查方式存在人员投入多、工作强度大等不利因素。由于普速铁路所处地形地貌多样、环境复杂、线路背景差异大,夜间普速铁路线路异物侵限事件常有发生。在普速铁路低光照条件下,现场数据呈现出高保真但低质量的特性,同时这类数据与通用特征处理范式之间存在适配性不足的问题。针对以上问题,提出一种基于深度学习的自适应低光照异常检测框架——DedarkDet,该框架能够基于输入数据自适应地学习数据增强策略以提高低光照场景下的异物检测性能。DedarkDet包括可微的轻量级图像自适应增强网络和改进的目标检测框架2部分。通过实验对DedarkDet的性能进行了全面分析,结果表明,DedarkDet在低光照场景中能够有效地提升检测性能。