基于深度学习的大雾环境下铁路异物侵限精准识别方法

Accurate Identification Method of Railway Foreign Object Intrusion in Foggy Environment Based on Deep Learning

摘要

为有效解决大雾环境下铁路异物侵限小目标检测难等关键问题，提出一种基于深度学习的图像去雾处理与小目标精准识别一体化方法。通过融合基于AOD-Net的铁路图像去雾算法，引入Swin Transformer模块对YOLO v5算法的主干网络进行替换，使用卷积核修正通道数，得到具备图像去雾处理功能的ST-YOLO算法对去雾后铁路图像中的远距离小目标进行检测。基于公共数据集对该算法进行训练及测试，使该算法对于远距离小目标的检测在测试集中准确率稳定在0.9。实验结果表明：基于ST-YOLO的铁路异物侵限精准识别算法对大雾环境下远距离小目标异物侵限的平均检测精度达到92.3%，检测速度达到80 帧/s，同其他目标检测算法相比，该算法检测速度更快、精度更高，为恶劣天气下铁路异物侵限检测提供参考。

Abstract

In order to effectively solve the key problems such as the difficult detection of small targets intruding on the railway in a foggy environment, an integrated image de-fogging and accurate small target identification method based on deep learning was proposed. By integrating the railway image de-fogging algorithm based on AOD-Net, the Swin Transformer module was introduced to replace the backbone network of the YOLO v5 algorithm, and the convolutional kernel was used to correct channel number. ST-YOLO algorithm with image de-fogging function was developed to detect the remote small targets in the railway image after de-fogging. The algorithm was trained and tested based on the public data sets, and the accuracy of the algorithm for the detection of remote small targets was stable at 0.9 in the test set. The experimental results show that the accurate identification algorithm of railway foreign object intrusion based on ST-YOLO has an average detection accuracy of 92.3% for remote small targets in a foggy environment, and the detection achieves a speed of 80 frames per second. Compared with other target detection algorithms, the detection speed of this algorithm is faster, and the accuracy is higher. This study provides an important reference for realizing railway foreign object intrusion detection in bad weather.

Graphical abstract

关键词

异物侵限检测 / AOD-Net / YOLO v5 / Swin Transformer / 小目标检测

Key words

Foreign Object Intrusion Detection / AOD-Net / YOLO v5 / Swin Transformer / Small Target Detection

0　引言

铁路是我国重要的基础设施，带动了国民经济的发展。同时由于铁路的大规模运营，铁路异物侵限事故频发，对铁路运输造成严重影响和损失。为确保铁路的安全运行，铁路异物侵限检测方法研究至关重要。

接触式和非接触式^[1]是铁路异物侵限常见的检测分类方式。接触式主要是用光纤^[2]、电网^[3]等方式对碰触到的异物进行预警；非接触式方法则包括视频检测方法^[4]、雷达检测方法^[5-6]及多种传感器融合检测^[7-8]等。传统的铁路异物侵限检测方法主要受环境因素及异物自身因素的影响^[9]，导致目前的铁路异物侵限监测系统误报率与虚报率居高不下。环境因素影响包括监测环境光照突变、监测区域异物侵限被植被等遮挡、监测区域背景杂乱、恶劣天气如大雾天气等影响监测准确率；异物自身因素影响包括监测目标运动、产生尺度变化等对检测造成影响。

为解决上述问题，徐鑫等^[10]、耿硕等^[11]提出基于深度学习的铁路异物侵入限界检测模型，自建铁路场景专用异物侵限数据集并采用数据增强技术，验证模型的可行性与准确性。针对异物尺度变化问题，朱力强等^[12]提出一种多输入双输出神经网络和基于自适应特征加权融合的目标多尺度特征感知算法，解决铁路监测区域异物出现明显尺度变化问题。王辉等^[13]提出一种融合轨道限界和侵限异物识别的快速检测方法，以深度为18层的残差神经网络(ResNet-18)作为检测主干网络，实现检测高精度的同时实时性高。针对异物运动影响检测精度的问题，Cao等^[14]提出基于动态入侵区域和轻量级神经网络的铁路入侵检测方法，采用入侵定位算法获取动态入侵区域。针对解决监测区域复杂背景问题，Li等^[15]提出将低秩稀疏分解(LRSD)和半监督支持向量域描述(Semi-SVDD)相结合，分解监测视频中背景和前景，研究有效的入侵检测方法。Sun等^[16]、He等^[17]通过故障检测金字塔和改进的基于区域的卷积神经网络(R-CNN)结构，提升铁路侵限异物检测速度与精度。针对大雾环境下目标检测技术，李翔宇等^[18]提出基于均值标准差与加权透射率的图像去雾方法，该方法能在图像去雾过程中有效保留边缘细节信息。Goyal等^[19]总结去雾算法中基于模型的方法、变换域方法、基于学习的算法和基于变换的算法等，并对其进行评估和对比。Wu等^[20]通过金字塔网络结构，进行铁路图像去雾。综上所述，既有方法大多集中于去雾处理或者异物识别等问题，尚未解决大雾环境下铁路侵限小目标异物检测的问题。

因此，本研究提出基于深度学习的大雾环境下铁路异物侵限精准识别一体化方法，在融合基于深度学习去雾模型(All-in-One Dehazing Network，AOD-Net)的铁路图像去雾算法的基础上，构建滑窗深度学习检测模型(Swin Transformer YOLO，ST-YOLO)铁路异物侵限精准识别算法，提升铁路大雾环境下的远距离小目标异物侵限的检测能力，为恶劣气象条件下铁路列车安全运行提供保障。

1　大雾环境下铁路异物侵限监测方法研究框架

铁路异物侵限检测是铁路安全运输至关重要的一部分，目前的铁路异物监测系统仍面临大雾环境下目标检测难、远距离小目标异物侵限检测难等挑战，亟需构建全新大雾环境下铁路异物侵限监测方法及系统，为列车在恶劣气象条件下的安全运行提供技术保障。

大雾环境下铁路异物监测方法框架主要应用两阶段法^[21]：第一阶段铁路图像去雾阶段，第二阶段异物精准识别阶段。研究框架如图1所示。第一阶段，去雾处理模块主要负责将现场采集的雾图转化为清晰图像，为了提升去雾算法的适应性及高效性，基于O-HAZE数据集和自制的铁路数据集得到不同雾浓度下的图像数据集，并采用基于AOD-Net的铁路图像去雾算法进行算法训练和参数调整；第二阶段，异物识别模块主要负责从去雾后的图像中精准识别入侵到线路限界范围内的异物，为了解决小目标识别问题，构建基于MINC-2500和VOC2007的数据集，建立改进的YOLO铁路异物侵限识别算法并进行训练与优化，通过融合铁路图像去雾模块和异物精准识别模块得到ST-YOLO算法，实现铁路图像去雾处理与小目标精准识别一体化。值得注意的是，提出的算法应用场景主要为大雾环境下铁路监测图像下的小目标检测，通过对路旁摄像头的监测图像视频进行去雾与目标检测，服务于铁路工务维保人员，保障列车的安全运行；异物主要针对较远距离下的行人、石头、塑料等在图像中检测尺寸较小的目标物体，以远距离下行人作为检测目标开展实验研究。

构建的大雾环境下铁路异物侵限监测方法：一方面提出的铁路图像去雾算法可实现大雾场景下铁路监控图像的去雾处理，解决大雾环境下目标难以识别检测的问题；另一方面基于改进后得到的ST-YOLO算法可以对远距离下的小目标进行精准识别检测，如远距离下对侵入铁路的行人、工作人员等进行检测，解决远距离小目标检测难题。二者结合能够实现铁路大雾环境下远距离异物侵限目标的精准识别，后续可进一步根据识别的结果进行铁路异物侵限预警，有助于提升恶劣气象条件下列车行车安全。

2　大雾环境下铁路异物侵限精准识别方法

在雾天情况下，大气中的杂质微粒直径会增大，大直径的微粒数目也会增多，严重影响光路中的原有轨迹，对图像的成像质量造成影响。在雾天的铁路场景下，一方面，照射在异物目标上的光线会由于空气中的微粒发生漫反射，导致照射在异物目标上的光线减弱；另一方面，反射光也会由于微粒的反射作用导致相机的成像平面无法获取到足够的光线，使得铁路监测图像的成像效果差。

为有效解决铁路大雾环境下异物侵限检测困难，以及虚报率、误报率高等问题，同时考虑铁路监测图像的雾图灰度值较大，且需要保证算法处理的实时性，提出基于AOD-Net^[22]的铁路图像去雾算法，该算法结构简单且实时性高，能够有效支撑大雾环境下铁路图像实时处理。

对于铁路异物侵限目标检测算法，YOLO v5算法作为目前的主流网络之一，相较于YOLO系列的上一代目标检测算法YOLO v4，YOLO v5在提升检测精度的同时新增数据增强方法，如Mosaic数据增强技术，提高了模型的泛化能力。

虽然YOLO v5算法在侵限目标检测精度及检测速度上表现优良，但该网络深度不够，对远距离小物体检测能力较低。因此，为了满足远距离小目标精准检测的要求，提出基于滑窗深度学习模型(Swin Transformer)^[23]与YOLO v5融合的铁路远距离小目标异物精准检测算法。Swin Transformer具有更高的计算效率和性能，其主要优势在于层级策略和跨分区的窗口化注意力机制。通过基于AOD-Net的铁路图像去雾算法，引入Swin Transformer模块对YOLO v5的主干网络进行替换，使用卷积核对通道数进行修正，得到ST-YOLO算法。ST-YOLO网络结构如图2所示。

铁路图像去雾算法结构由K值估计模块和清晰图像生成模块2部分组成。K值估计模块通过5个卷积层构成，卷积核大小分别1×1，3×3，5×5，7×7，3×3，对输入的大雾环境下铁路监测图像预测变量K(x)。清晰图像生成模块将K值估计模块得到的K(x)复原得到清晰的图像。

铁路图像去雾算法过程：输入铁路大雾环境下监测图像，先经过5个卷积层中Conv1层和Conv2层后，将得到的特征矩阵融合到Concat1层，然后经过Conv3层，将Conv2层和Conv3层得到的特征矩阵融合到Concat2层，接着通过Conv4层，将前4次卷积得到的特征矩阵全部融合到Concat3层，通过Conv5得到估计值，最后经过图2中清晰图像生成模块的公式原理得到铁路去雾图像。该算法轻量化且实时性高，可支撑铁路监测图像的实时去雾处理。

Swin Transformer结构中的关键模块有图像块分割(Patch Partition)、线性嵌入(Linear Embedding)、无卷积下采样(Patch Merging)模块。图像块分割：将输入图像划分为不重合的Patch集合，其中每\mathrm{4}\times \mathrm{4}个相邻的像素为1个Patch，以每个Patch为单位，由于像素有R，G，B共3个值，其特征维度为\mathrm{4}\times \mathrm{4}\times \mathrm{3}=\mathrm{48}，因此通过该步骤后图像尺寸由(H，W，\mathrm{3})变成(H/\mathrm{4}，W/\mathrm{4}，\mathrm{48})。线性嵌入：将输入图像映射到任意维度。无卷积下采样：通过该步骤后，图像的高和宽会减半，但同时深度会翻倍，以此通过降低分辨率来获得更多层次的图像特征。

Swin Transformer模块由多头自注意力(Multi-Head Self-Attention，MSA)、多层感知机(Multilayer Perceptron，MLP)及每个MSA模块和每个MLP之前的标准化层(Layer Norm，LN)组成。Swin Transformer模块编码器结构如图3所示。Swin Transformer模块通过将Transformer模块中的MSA模块替换为基于窗口的多头自注意力(Windows Multi-Head Self-Attention，W-MSA)和滑动窗口的多头自注意力(Shifted Windows Multi-Head Self-Attention，SW-MSA)而构建，其他层保持不变^[23]。W-MSA是一个具有节省计算量的自注意力机制，将图像以\mathrm{7}\times \mathrm{7}大小分割成多个窗口进行自注意力机制。传统的MSA具有非常大的计算量，W-MSA解决了MSA计算量庞大的问题，但也带来了窗口与窗口之间的信息闭塞的问题，因此SW-MSA通过移位窗口使得窗口交界处的信息能够相互传递。

3　实验过程与结果

3.1　数据集介绍

由于铁路图像去雾模块和异物精准识别模块的算法流程存在差异，为了获得更好的去雾和异物检测效果，先对ST-YOLO算法中铁路图像去雾模块进行训练及测试，融合该模块训练结果后再对ST-YOLO算法进行训练及测试，使其在具备图像去雾功能的同时实现铁路异物侵限检测。

针对基于AOD-Net铁路图像去雾算法的训练与测试，由于在雾天获取的铁路场景图片有限，且获取的场景单一，图像雾浓度单一，为了使训练集中的铁路场景更加丰富，在使用一部分铁路雾天监测图像的基础上，使用O-HAZE数据集和铁路场景图片，对这些图片进行加雾处理^[22]，包括浅雾、中雾和大雾处理，处理完成后数据集包括11 220组真实图像和雾天图像。

铁路异物侵限目标检测算法数据方面，选取MINC-2500数据集，在训练中挑选铁路常见的侵限异物，如行人、木材、石头、玻璃和塑料等。同时使用大型开源数据集VOC2007训练出的权重作为预训练权重，这种大型数据集训练的权重特征提取能力强，训练策略上先使用VOC2007进行训练，再使用冻结主干网络这种迁移学习的方式，训练异物数据集。

3.2　算法评估指标

为了评定AOD-Net去雾算法及改进YOLO算法的效果，选取以下常用的算法评估指标。

（1）峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)。用于反映图像中信号与噪声的比值，该指标的值越大，噪声比例越小，即代表图像失真越少，质量越高。

（2）结构相似度(Structural Similarity，SSIM)。用于衡量处理前后图像的结构信息相似程度，检验图像是否有细节损失。若此值数值较大，则2幅图像接近程度越高，处理后的图像质量越佳。

（3）平均像素精度(Mean Pixel Accuracy，MPA)。在像素精度的基础上，利用计算出的每一类别的像素精度(PA)，求所有类别PA的平均。

（4）平均交并比(Mean Intersection over Union，MIoU)。在实际的检测中，由于预测边框与真实边框存在位置偏移，因此定义用于评价边框定位精度的平均交并比(MIoU)，该值越大，即预测的区域越接近真实的目标，检测的算法效果就越好。

（5）平均精度均值(Mean Average Precision，MAP)。平均精度用来分析检测模型在每个类别上的检测性能，是评价检测模型的直观评价标准，而平均精度均值则反映模型在所有类别上的综合性能。

3.3　算法训练与测试

基于AOD-Net的铁路图像去雾算法训练与测试中，将AOD-Net算法中动量和衰减参数分别设置为0.9和0.000 1。使用的批大小为8，学习速率为0.001。为了尽可能提高PSNR、SSIM和视觉质量，经过多种损失函数的对比训练，采用均方误差(MSE)损失函数。由于该算法通常在10个训练期之后才表现良好，为获得更好的图像去雾处理效果，对该算法进行40个训练期的训练。

针对ST-YOLO算法的训练与测试，主要围绕损失函数、优化器及网络参数的调整。

（1）损失函数。为了模型尽快收敛，对ST-YOLO算法的损失函数进行替换。YOLO v5的损失函数为IoU Loss函数，其缺点明显，一是在边界框不重合的前提下，不能衡量距离远近；二是对边界框的准确度衡量精度不够。为此，使用EIoU Loss(EL)作为改进后算法训练的损失函数L_{\mathrm{E}\mathrm{I}\mathrm{o}\mathrm{U}}。

\begin{array}{c}{L}_{\mathrm{E}\mathrm{I}\mathrm{o}\mathrm{U}}=\mathrm{1}-IoU+\frac{{\rho }^{\mathrm{2}}(b，b^{gt})}{c^{\mathrm{2}}}+\frac{{\rho }^{\mathrm{2}}(w，w^{gt})}{C_w^{\mathrm{2}}}+\\ \frac{{\rho }^{\mathrm{2}}(h，h^{gt})}{C_h^{\mathrm{2}}}\end{array}(1)

式中：IoU表示交并比；\rho (·)表示欧氏距离；b和b^{gt}表示预测框和目标框的中心点；w和w^{gt}表示预测框和目标框宽度；h和h^{gt}表示预测框和目标框高度；预设w^{gt}=h^{gt}=\mathrm{1}，w=\mathrm{1}，h=\mathrm{2.4}；c，C_w和C_h表示2个矩形最小闭合区域的最短对角线长、宽和高。

（2）优化器。为了能够获得最好的模型，使得随着训练过程的推进，尽可能贴近模型的全局最优解，避免陷入局部最优解。由于YOLO系列算法容易陷入局部最优点，本算法选择基于动量的随机梯度下降(SGDM)优化器改进后进行训练与测试，SGDM优化器引入动量机制，避免参数更新陷入梯度较小的方向，依旧保持原有的趋势。

（3）训练过程。使用VOC2007数据集和MINC-2500数据集作为混合数据集，其中的90%进行训练，使用Mosaic数据增强，采用SGDM优化器，将Momentum设为0.937，权值衰减设为\mathrm{5}\times10^-4，使用Cos学习率下降方式，训练400轮(Epoch)。算法训练集损失如图4所示，测试集准确率如图5所示。从图中可以看出，训练ST-YOLO算法时，训练集损失在一直下降，直到0.2左右开始波动，这是SGDM造成的；测试集准确率在前100轮中迅速上升，100轮之后缓慢上升并上下波动。测试集的准确率在0.9上下波动，最好的一次为0.927 1，效果较为理想。

3.4　实验结果分析

针对大雾环境下铁路异物侵限检测过程中的监测图像去雾问题，通过训练测试后，基于AOD-Net的铁路图像去雾算法训练结果如表1所示。其中峰值信噪比(PSNR)达到21.54 dB，结构相似度(SSIM)值为0.927 2，平均像素精度(MPA)值为75.46%，说明该算法去雾处理后的图像去雾效果较好、质量高，同时图像处理速度达到0.65 s，可以保证铁路图像去雾的实时处理效果。

为直观地对去雾前后铁路监测图像异物侵限识别对比分析，使用YOLO v5对有雾图像和去雾图像进行简单的目标检测。去雾效果和目标检测效果如图6所示。从有雾图和去雾图的识别效果来看，去雾的图像显著提高了目标识别的精度和准确性，甚至提高了检测的目标数量，对于不同雾浓度的有雾图像，去雾效果好。从各项算法评价指标和图片效果来看，基于AOD-Net的铁路图像去雾算法能够有效提高识别精度，提高图片清晰度和辨识度，也说明该算法能够有效支撑大雾环境下铁路异物侵限目标的精准识别。

在较好的铁路图像去雾效果基础上，为实现大雾环境下远距离小目标铁路异物侵限精准识别，基于改进后的ST-YOLO算法、YOLO v5算法^[24]、YOLO v4算法^[25]、Faster R-CNN网络^[26]算法进行远距离小目标异物侵限检测的对比分析，在同一个数据集上进行算法的对比实验，不同目标检测算法效果如表2所示。4种算法的对比指标主要包括各算法检测速度、平均交并比(MIoU)及平均精度均值(MAP)。其中，ST-YOLO算法在检测速度方面能够达到80 帧/s，超过其他3种算法，相较于未改进前的YOLO v5算法，其检测速度提升13 帧/s；在检测目标边框准确度方面，ST-YOLO算法平均交并比为75.7%，相较于其他3种算法有较大的提升；目标检测平均精度方面，在交并比(IoU)为阈值0.5条件下，ST-YOLO算法在远距离小目标的平均检测精度达到92.3%，均高于其他3种算法，相较于未改进前的YOLO v5算法提升15.5%，有较为显著的提升。综上，ST-YOLO算法不仅检测速度快，同时检测精度更高且预测框位置也更准确。

为了更直观地展示算法的检测结果^[27-28]，同时检验基于AOD-Net的铁路图像去雾算法对大雾环境下目标检测效果的提升，针对YOLO v5算法和ST-YOLO算法分别在有雾环境下及去雾环境下进行远距离小目标的效果对比。大雾环境下铁路远距离小目标检测结果如图7所示。对距离较远的小目标检测，ST-YOLO算法识别精度好，识别率高，通过对不同浓度雾图像的检测，该算法可以提取到全部人员的特征`信息，并且置信度普遍比YOLO v5高，通过对去雾图像的检测对比，其在置信度、检测精度上也高于YOLO v5算法。同时也能直观看出ST-YOLO算法取消图像去雾模块时平均检测精度为85.7%，去雾后提高至92.3%，基于AOD-Net的铁路图像去雾算法有效提高了大雾环境下铁路异物侵限目标检测的准确率，ST-YOLO算法能够有效实现大雾环境下铁路异物侵限的精准识别。

4　结论

（1）提出基于深度学习的图像去雾处理与小目标精准识别一体化方法，融合基于AOD-Net的铁路图像去雾算法，并基于Swin Transformer改进的YOLO v5算法构建ST-YOLO大雾环境下铁路侵限异物小目标识别算法，在轻量化、高实时的图像快速去雾的同时，实现小目标异物的精准快速识别。

（2）通过与YOLO v4，YOLO v5及Faster R-CNN等主流算法对比分析，结果表明ST-YOLO算法在实际应用场景中能更实时、更精准地对大雾环境下铁路侵限异物进行识别，准确率达92.3%，可有效保障恶劣气象条件下列车运行安全。

（3）恶劣天气下小目标检测可以很大程度上提高铁路异物侵限检测的准确性，同时提高列车运行的安全性，对铁路异物侵限检测工作尤为重要，下一步可将该算法进行轻量化剪枝处理，提高检测效率与精度，搭载到前端的视频采集端，进一步提升监测和预警报警的实时性。

参考文献

[1] 王泉东，杨　岳，罗意平，等. 铁路侵限异物检测方法综述[J]. 铁道科学与工程学报，2019，16(12)：3152-3159.

[2] WANG Quandong， YANG Yue， LUO Yiping，et al. Review on Railway Intrusion Detection Methods[J]. Journal of Railway Science and Engineering，2019，16(12)：3152-3159.

[3] 孙　睿. 光纤光栅在高速铁路异物侵限监测系统中的应用研究[D]. 兰州：兰州交通大学，2013.

[4] 程　为. 高速铁路异物侵限监控系统设计[D]. 武汉：武汉理工大学，2010.

[5] 傅荟瑾，史天运，王　瑞，等. 基于深度学习的京张高速铁路周界图像智能识别系统构建研究[J]. 铁道运输与经济，2022，44(5)：64-72.

[6] FU Huijin， SHI Tianyun， WANG Rui，et al. Research on Construction of Intelligent Image Recognition System for Beijing-Zhangjiakou High Speed Railway Perimeter Based on Deep Learning[J]. Railway Transport and Economy，2022，44(5)：64-72.

[7] 林玉兵. 三维激光雷达图像在铁路异物侵限检测中的应用研究[D]. 北京：北方工业大学，2018.

[8] ZHANG Z P， CHEN P R， HUANG Y J，et al. Railway Obstacle Intrusion Warning Mechanism Integrating YOLO：Based Detection and Risk Assessment[J]. Journal of Industrial Information Integration，2024(38)：100571.

[9] 王祥雪，王　全. 基于多模态信息融合的铁路异物侵限预警系统设计[J]. 电子技术，2022，51(12)：344-345.

[10] WANG Xiangxue， WANG Quan. Design of Railway Foreign Object Intrusion Warning System Based on Multimodal Information Fusion[J]. Electronic Technology，2022，51(12)：344-345.

[11] 傅荟瑾，郭鹏跃，徐成伟，等. 基于多传感技术融合的高速铁路周界入侵监测技术方案研究[J]. 铁道运输与经济，2022，44(9)：122-129.

[12] FU Huijin， GUO Pengyue， XU Chengwei，et al. Research on Intrusion Detection Technology for High Speed Railway Perimeters Based on Multi-Sensor Technology Fusion[J]. Railway Transport and Economy，2022，44(9)：122-129.

[13] 朱均安. 基于深度学习的视觉目标跟踪算法研究[D]. 长春：中国科学院大学(中国科学院长春光学精密机械与物理研究所)，2020.

[14] 徐　鑫，潘　杰，曹利安，等. 基于深度学习的铁路异物侵限检测模型[J]. 铁路计算机应用，2023，32(10)：7-12.

[15] XU Xin， PAN Jie， CAO Li'an，et al. Railway Foreign Object Intrusion Detection Model Based on Deep Learning[J]. Railway Computer Application，2023，32(10)：7-12.

[16] 耿　硕，李云栋. 基于深度学习的轻量级目标检测算法的研究[J]. 工业控制计算机，2022，35(4)：97-99.

[17] GENG Shuo， LI Yundong. Research on Lightweight Target Detection Algorithm Based on Deep Learning[J]. Industrial Control Computer，2022，35(4)：97-99.

[18] 朱力强，许力之，赵文钰，等. 铁路周界入侵目标多尺度特征感知算法[J]. 中国铁道科学，2024，45(1)：215-226.

[19] ZHU Liqiang， XU Lizhi， ZHAO Wenyu，et al. Multi-Scale Feature Perception Algorithm for Railway Perimeter Intrusion Object[J]. China Railway Science，2024，45(1)：215-226.

[20] 王　辉，姜朱丰，吴雨杰，等. 基于深度学习的铁路异物侵限快速检测方法[J]. 铁道科学与工程学报，2024，21(5)：2086-2098.

[21] WANG Hui， JIANG Zhufeng， WU Yujie，et al. Fast Detection Method of Railway Foreign Object Intrusion Based on Deep Learning[J]. Journal of Railway Science and Engineering，2024，21(5)：2086-2098.

[22] CAO Z W， QIN Y， XIE Z Y，et al. An Effective Railway Intrusion Detection Method Using Dynamic Intrusion Region and Lightweight Neural Network[J]. Measurement，2022(191)：110564.

[23] LI B， TAN L， WANG F，et al. A Railway Intrusion Detection Method Based on Decomposition and Semi-Supervised Learning for Accident Protection[J]. Accident Analysis & Prevention，2023(189)：107124.

[24] SUN G D， ZHOU Y， PAN H L，et al. A Lightweight NMS-Free Framework for Real-Time Visual Fault Detection System of Freight Trains[J]. IEEE Transactions on Instrumentation and Measurement，2022(71)：5012611.

[25] HE D Q， REN R C， LI K，et al. Urban Rail Transit Obstacle Detection Based on Improved R-CNN[J]. Measurement，2022(196)：111277.

[26] 李翔宇，牛宏侠，钟　华. 基于均值标准差与加权透射率的图像去雾方法[J]. 铁道科学与工程学报，2020，17(11)：2938-2945.

[27] LI Xiangyu， NIU Hongxia， ZHONG Hua. Image Dehazing Method Based on Mean-Standard Deviation and Weighted Transmission[J]. Journal of Railway Science and Engineering，2020，17(11)：2938-2945.

[28] GOYAL B， DOGRA A， LEPCHA D C，et al. Recent Advances in Image Dehazing：Formal Analysis to Automated Approaches[J]. Information Fusion，2024(104)：102151.

[29] WU Y P， QIN Y， WANG Z P，et al. Densely Pyramidal Residual Network for UAV：Based Railway Images Dehazing[J]. Neurocomputing，2020(371)：124-136.

[30] GUO F， LIU J， XIE Q Y，et al. A Two-Stage Framework for Pixel-Level Pavement Surface Crack Detection[J]. Engineering Applications of Artificial Intelligence，2024(133)：108312.

[31] LI B Y， PENG X L， WANG Z Y，et al. AOD-Net：All-in-One Dehazing Network[EB/OL]. (2017-12-25)[2024-03-11].

[32] LIU Z， LIN Y T， CAO Y，et al. Swin Transformer：Hierarchical Vision Transformer Using Shifted Windows[EB/OL]. (2021-03-25)[2024-03-11].

[33] Ultralytics.YOLOv5[EB/OL].(2024-02-01)[2024-03-10].

[34] BOCHKOVSKIY A， WANG C Y， LIAO H M. YOLOv4：Optimal Speed and Accuracy of Object Detection[EB/OL]. (2020-04-22)[2024-03-11].

[35] LIU Z G，LYU Y， WANG L Y，et al. Detection Approach Based on an Improved Faster RCNN for Brace Sleeve Screws in High Speed Railways[J]. IEEE Transactions on Instrumentation and Measurement，2020，69(7)：4395-4403.

[36] 李天宇，王光为. 基于三维视觉重构的铁路限界侵限高速检测系统设计研究[J]. 铁道货运，2024，42(10)：77-82.

[37] LI Tianyu， WANG Guangwei. Design of High Speed Detection System for Objects Intruding Railway Clearance Based on 3D Visual Reconstruction[J]. Railway Freight Transport，2024，42(10)：77-82.

[38] 柴雪松，张　慧，辛向党，等. 基于深度学习技术的货检图像智能识别与测试研究[J]. 铁道货运，2019，37(6)：22-27.

[39] CHAI Xuesong， ZHANG Hui， XIN Xiangdang，et al. A Study on Intelligent Image Recognition and Testing for Cargo Inspection Based on In-Depth Learning Technology[J]. Railway Freight Transport，2019，37(6)：22-27.

基金资助

国家自然科学基金青年项目(I19A800010)

中央高校基本科研业务费专项资金资助项目(2023JBZY008)