改进的YOLO算法在分布式声学传感系统中用于列车轨迹检测的应用

《Optical Fiber Technology》：Application of improved YOLO algorithms for train trajectory detection in distributed acoustic sensing systems

实时检测框架基于改进YOLO算法，通过动态蛇形卷积（DSC）和多尺度注意力（EMA）机制处理分布式声学传感（DAS）系统中的振动信号，准确识别列车轨迹与方向。实验表明，改进后的YOLOv3/5/8模型mAP@50分别提升2.8%/0.6%/1.5%，达到95.2%/97.5%/97.7%。该方案为铁路安全监测提供技术支持。

　　

姜中生|胡卓昌|杨双|史波|张阳|唐玉泉|张志荣|刘少华

中国科学技术大学，合肥230026，中国

摘要

为了解决在分布式声学传感（DAS）系统中自动检测和识别由火车引起的振动信号方向这一挑战，本研究提出了一种基于改进的YOLO算法的实时检测框架。首先，将正交解调的振动功率谱随时间累积并转换为图像，以表示火车的轨迹模式。然后，将动态蛇形卷积（DSC）集成到YOLOv3、YOLOv5和YOLOv8架构中，以自适应地捕捉细长的轨迹特征。此外，引入了高效的多尺度注意力（EMA）机制来抑制冗余信息并增强显著响应。采用统一的数据集划分和训练策略将数据集分为训练集和测试集，并分别对基线模型（YOLOv3、YOLOv5、YOLOv8）及其增强版本（+DSC + EMA）进行了训练和评估。实验结果表明，所提出的YOLOv3 + DSC + EMA、YOLOv5 + DSC + EMA和YOLOv8 + DSC + EMA在mAP@50指标上分别比其基线模型提高了2.8%、0.6%和1.5%，达到了95.2%、97.5%和97.7%的mAP@50分数。利用一步检测器的架构优势，该方法能够实现火车轨迹和方向的稳健和实时检测。这些结果表明，将DAS与改进的YOLO架构相结合显著提高了铁路环境中振动信号的检测和识别性能，为火车运行安全监控和智能维护提供了有力支持。

引言

随着中国铁路里程和运营时间的持续扩展，由于火车引起的负荷和环境因素的共同作用，铁路系统的安全隐患日益突出。在这种情况下，实施维护窗口之外的接近火车的预警机制对于确保维护人员和火车运行的安全至关重要。分布式声学传感（DAS）因其高灵敏度、远距离检测能力和易于部署而受到了广泛关注[1]、[2]、[3]、[4]。利用现有的铁路通信光纤，DAS系统可以实时连续获取和解调沿铁路线的振动功率谱，从而识别火车的位置和行驶方向。DAS是开发预警系统以提醒轨道旁工作人员注意接近火车的坚实基础。

然而，由于DAS捕获的振动源的复杂性和变异性，准确识别振动信号类型已成为一个关键的研究挑战[5]、[6]。早期的研究主要依赖于传统的机器学习方法。2019年，王等人应用随机森林分类器区分由浇水、敲击和滚动引起的振动信号，分别实现了93.79%、97.36%、97.06%和98.12%的识别准确率[7]。同年，张等人提出了一种基于支持向量机（SVM）和极限学习机的振动识别系统，使用光谱图像特征作为输入向量。他们的分析表明，在检测五种类型的声学事件时，基于径向基函数核的极限学习机分类器的性能优于其他方法[8]。深度学习方法也被引入。2020年，孙等人提出了一种基于卷积神经网络（CNN）的管道泄漏检测方法，该方法将振动信号重建为时间和空间域中的脉冲扫描图像，然后进行移动平均滤波和CNN分类，实现了98%的车辆、行人和泄漏引起的信号区分准确率[9]。2021年，沙等人使用YOLOv3算法检测由管道清管操作产生的倒V形振动特征[10]。2023年，王等人采用混合长短期记忆（LSTM）-CNN模式识别方法对背景噪声、挖掘、敲击、电机运行、填埋和行走信号进行分类。他们的LSTM-CNN模型与传统的人工神经网络和简单的CNN进行了比较，实现了93.87%的分类准确率[11]。同年，孟等人利用ResNet模型对Φ-OTDR系统获取的风声、敲击声和背景噪声等信号进行了分类。他们在时空图像和时间-频率图像上比较了性能，分别报告了99.49%和98.23%的准确率[12]。尽管取得了这些进展，当前的基于DAS的火车检测方法仍然缺乏一个通用的端到端实时解决方案，能够识别功率谱中火车振动所表现出的细长、连续且通常倾斜的轨迹特征。

为了解决这一挑战，本研究提出在铁路场景中使用改进的YOLO网络进行基于DAS的火车振动识别。具体来说，将动态蛇形卷积（DSC）模块集成到YOLO架构中，以增强倾斜轨迹特征的提取。同时，集成高效的多尺度注意力（EMA）机制以关注显著和有信息量的特征。这些增强措施共同使得基于DAS信号的火车位置和运动方向的准确实时检测成为可能。

部分内容片段

数据采集

在基于相位敏感光学时域反射测量的DAS中，通过发射高相干光脉冲并分析沿光纤的相干瑞利后向散射场来探测标准单模传感光纤[13]、[14]。如图1所示，首先通过声光调制器对窄线宽连续波激光进行脉冲切割，同时提供明确的脉冲宽度和稳定的频率偏移，以便进行外差检测。

火车振动信号检测模型

为了准确识别和定位火车位置，本研究采用了一种改进的基于YOLO的检测框架来分析DAS衍生的火车振动信号。此外，还使用原始的YOLOv3[15]、YOLOv5[16]和YOLOv8[17]模型进行了对比实验，以评估所提出的改进在检测火车引起的振动模式方面取得的性能提升。

实验与分析

本实验是在表1中列出的环境中进行的。

结论

本研究提出了一种改进的基于YOLO的框架，以解决在DAS系统中检测火车引起的振动信号的挑战。通过将EMA机制和DSC模块集成到YOLOv3、YOLOv5和YOLOv8架构中，增强模型通过自适应地关注显著特征并调整卷积核形状以适应DAS数据中常见的倾斜轨迹模式，从而实现了更好的检测性能。

CRediT作者贡献声明

姜中生：撰写 – 审稿与编辑，撰写 – 原始草稿，方法论，概念化。胡卓昌：方法论。杨双：形式分析，数据管理。史波：方法论。张阳：调查，数据管理。唐玉泉：撰写 – 审稿与编辑，方法论，概念化。张志荣：方法论，资金获取。刘少华：可视化，软件。

资助

本工作部分得到了中国国家重点研发计划（2022YFB3207601）、合肥市自然科学基金（202331, 202335）、安徽省科技创新突破计划（202423i08050031）、安徽省质量基础设施标准化专项计划（2023MKS22）、安徽省博士后科学研究计划基金（2024C973）、苏州市重大科技专项计划（SZKJXM202418）以及开放...

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。