铁路道口的高效安全运行对保障行车及行人安全,保障公路和铁路的通行能力以及促进经济的发展起到了非常关键的作用。目前中国铁路道口数量庞大,每年在铁路平交道口的伤亡人数达数千人。为了解决现有预警系统人员和设备成本高、工作强度大以及流程繁琐等问题,本文以保证算法的准确性、实时性和减少资源占用为目标,并在以实时性著称的YOLOv3基础上,构建了列车实时检测模型YOLOv3-MP。应用于道口预警系统的列车检测,实现列车检测的实时性和准确性,以保证铁路平交道口的安全可靠运行,减少生命财产损失,为社会经济发展做支撑。具体研究如下:(1)目标检测算法改进。以保证列车检测的精确性为目标,设计了四个检测层,实现对列车从进入到驶离摄像头拍摄范围的不同尺寸目标的精确检测。同时,针对不同数据库的anchors值不同的问题,以保证目标定位精确为出发点,采用K-Means++算法,设计了专属PASAL VOC-DKtrain列车数据库的锚点聚类值。(2)构建列车数据库。为了解决严重缺乏符合实际应用场景的列车数据库问题,在北京站和北京南站等地点实地采集了多种天气场景和光照场景的列车数据样本,其中图片样本10000张、视频样本112个。并采用PASAL VOC数据格式,构建了PASAL VOC-DKtrain列车数据库,为列车检测算法的训练和测试做好数据支撑。(3)裁剪压缩。为了将列车检测算法成功部署到嵌入式终端上,使得算法的性能优势得到充分发挥,对算法进行裁剪压缩。稀疏训练后,根据批量归规范化BN层的γ缩放因子值的大小,筛选出不重要、冗余的通道和层,他们对列车检测任务几乎没有贡献,可以对其进行裁剪。这样可以减少模型的参数量、计算量以及占用的内存空间,提升算法的推理速度,进而降低对应用平台的性能能要求。(4)在实地采集的列车测试集上进行测试验证。相对于原版YOLOv3,本文算法的m AP提高了2.81个点,Region Avg IOU增加了7.73个点,FPS增至51,证明了该算法的实时性和准确性;参数量减少了58044422个,容量降低了88.19%,BFlops减少了78.32%,有效降低了对平台性能的要求和应用成本,便于维护与推广应用。图42幅,表13个,参考文献49篇。