基于深度学习的铁路实例分割研究①

翟 鑫，李 昕

(安徽理工大学 电气与信息工程学院，安徽 淮南 232000)

0 引 言

在汽车自动驾驶领域中，使用深度卷积网络构建的计算机视觉(CV)技术在自动驾驶中的多种视觉感知场景中取得了可观的进展[1]。目标感知、目标追踪、场景理解、动态感知等技术均依靠卷积神经网络(CNN)网络实现了可靠的实际应用[2]。在铁路无人驾驶领域中，城市轨道交通中的地铁列车运行环境相对的封闭，使得较容易开展无人驾驶，从上世纪80年代开始无人驾驶系统应用于法国、日本、马来西亚、加拿大、新加坡等国家，国内城市轨道交通中北京、上海、重庆、深圳均有地铁线路应用了无人驾驶系统[3]。相比于汽车与轨道交通的自动驾驶，地上铁路的无人驾驶有其独特性，铁路的运行环境相对汽车具有封闭性，但是相对于轨道交通的运行环境又是开放的，铁路机车是依据列控系统的信号进行运行的，随着铁路机车自动化水平的提高，现有运行系统配合环境感知系统即可实现无人驾驶。使用RGB图像作为进行路轨环境计算机视觉分析感知的基础数据源。MaskRCNN是目前广泛使用的一种实例分割深度卷积网络架构，但其进行图像分割的精度不够高，图像边缘不够精确，使用经过改进的MaskRCNN网络进行铁路图像的像素级精确实例分割[4]。

1 DseNet架构

传统的图像分类网络，如LeNet-5,AlexNet,VGG等是整体设计而成的，网络有扩展能力不足的缺点。后继的ResNet,DenseNet,MobileNet等是预先设计的基本网络块组成特征提取网络，可根据任务需求调整网络结构，以便兼顾准确率和计算量。……