1. 在铁路安全问题中,由障碍物引起的安全事故占据了很大比例,后果严重。
2. 本文将目标检测技术应用于铁路障碍物的检测,通过实时监测和早期预警来协助人工检查,从而提高检测效率。
3. 通过参数训练、对两个模型的对比,确定最佳的SSD_VGG-16 模型;在此基础上,以融合解卷积特征来进行优化。
本文是一篇关于基于改进SSD的铁路障碍物检测方法的学术文章。文章以一个明确的问题引出:如何利用目标检测来帮助人工实时监测并提前发出警告以避免因障碍物而引发的安全事故。作者采用Faster R-CNN 和 SSD 两个目标检测方法,并选用VGG-16 和 MobileNet-v2 两个特征提取网络来实现四个目标识别模型。在此基础上,作者通过对参数进行调整、对不同方法进行对比、以及采用融合解卷特征来优化SSD_VGG-16 来实现本文所要达到的目标——能够在保证一定准度情况下也能够加快识别速度。
尽管本文使用了一般性字眼“能够”“保证”“加快”之类来表明作者所要传递的意思(即使用SSD_VGG-16 方法能够在保证一定准度情况下也能够加快识别速度),但是并没有显式地声明或者强调作者所要传递的意思。此外,文章中也并没有考虑到其他影响因子,如天气、光强、道路情况、道路上行人或者其他障 碍物,都会影响障 碍物识别准度,考虑不周也是影响文章可信度和可靠性的原因之一。
此外,文章中也并没有考虑到风险因子,如使用不当或者不合理使用SSD_VGG-16 时会降低准度或者带来意想不到的风险;此外,作者也并没有就使用SSD_VGG-16 的成本问题进行考量,如是否存在成本上的风险;此外,作者也并没有就使用SSD_VGG-16 的时间间隔问题进行考量,如是否存在时间上的风 险;此外,作者也并没有就使用SSD_VGG-16 的人员间隔问题进行考量,如是否存在人员上的风 险;此外,作者也并没有就使用SSD_VGG-16 的效力间隔问题进行考量,如是否存在效力上 的风 险;此外,作者也并没有就使用SSD_VGG-16 的其他方法(例如Faster R-CNN) 进