Resumen

La detección de obstáculos en el metro ha sido uno de los campos de investigación más populares. Cómo detectar obstáculos con rapidez y precisión durante el funcionamiento del metro es la cuestión clave en el estudio del funcionamiento automático de los trenes. Los sistemas de supervisión inteligentes basados en la visión por ordenador no sólo completan las tareas de protección de forma eficiente, sino que también ahorran una gran cantidad de trabajo humano. Las redes neuronales convolucionales profundas (DCNN) son la tecnología más puntera en tareas de visión por ordenador. En este trabajo, evaluamos la eficacia en la clasificación de imágenes de instalaciones comunes en túneles de metro basándonos en la DCNN Inception V3 de Google. El modelo requiere menos recursos computacionales. El número de parámetros y la complejidad computacional son mucho menores que otras DCNN similares. Cambiamos su arquitectura (la última capa softmax y el clasificador auxiliar) y utilizamos la tecnología de aprendizaje por transferencia para volver a entrenar las imágenes de instalaciones comunes en el túnel de metro. Utilizamos la precisión media (mAP) como métrica para evaluar el rendimiento. Los resultados indican que nuestro modelo de reconocimiento alcanzó un 90,81% de mAP. En comparación con el método existente, este método supone una mejora considerable.

• Materias:Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:imágenes de instalaciones comunes, redes neuronales convolucionales profundas, inception v3 dcnn, sistemas de supervisión inteligentes, funcionamiento automático de trenes, tareas de salvaguardia completas, tareas de visión por ordenador, menos recursos computacionales, última capa softmax, precisión media promedio
• Keywords:common facility images, deep convolutional neural networks, inception v3 dcnn, intelligent monitoring systems, automatic train operation, complete safeguarding tasks, computer vision tasks, fewer computational resources, last softmax layer, mean average precision