智能铁路公路道口：利用语义分割与目标检测提升安全性
计算机视觉与模式识别
2024-03-19 v1
摘要
公路与铁路相交处的铁路公路道口 (RHGC) 发生的碰撞与延误，给美国联邦铁路管理局 (FRA) 带来了重大的安全隐患。尽管解决公路与铁路交叉口的事故和交通延误至关重要，但关于管理这些问题的实用解决方案的研究却非常匮乏。针对文献中的这一空白，我们的研究引入了一种智能系统，该系统利用机器学习和计算机视觉技术来提升铁路公路道口 (RHGC) 的安全性。本研究提出了一种基于非极大值抑制 (NMS) 的集成模型，该模型集成了多种 YOLO 变体（具体为 YOLOv5S、YOLOv5M 和 YOLOv5L）用于道口目标检测，并利用 UNet 架构的分割技术来检测道口处接近的轨道。这两种方法均在 Raspberry Pi 上实现。此外，该策略采用了安装在 RHGC 的高清摄像头。该框架使系统能够监控道口处感兴趣区域 (ROI) 内的物体，检测列车的驶近，并在列车到达前清空道口区域。在准确率、精确率、召回率和交并比 方面，所提出的基于 NMS 的先进目标检测集成模型达到了 96\% 的精确率。此外，UNet 分割模型获得了 98\% 的 IoU 值。这种由人工智能驱动的自动化铁路公路道口系统为提升公路与铁路交叉口的安全性提供了一种有前景的解决方案。
引用
@article{arxiv.2403.11060,
title = {Intelligent Railroad Grade Crossing: Leveraging Semantic Segmentation and Object Detection for Enhanced Safety},
author = {Al Amin and Deo Chimba and Kamrul Hasan and Emmanuel Samson},
journal= {arXiv preprint arXiv:2403.11060},
year = {2024}
}
备注
11 pages, 11 figures, conference