基于深度残差神经网络的地铁站台门与列车门间异物自动检测方法研究.pptxVIP

content目录01研究背景与行业挑战02核心技术原理与模型架构03系统设计与关键技术实现04多模态融合与工程化应用创新05实验验证与未来发展方向

研究背景与行业挑战01

城市轨道交通快速发展背景下站台安全问题日益突出客流激增随着城市化进程加快，地铁日均客流量持续攀升，高峰期乘客拥挤现象频发，站台安全压力显著增加，对列车门与站台门间隙区域的安全管控提出更高要求。夹人夹物站台门与车门间异物事件时有发生，轻则导致车门反复开关延误运营，重则引发乘客受伤甚至安全事故，成为影响地铁运行安全的关键隐患之一。运营风险传统依赖人工瞭望和司机确认的方式难以实现全面覆盖，存在视觉盲区与反应延迟，一旦发生夹人事故，将严重影响运营秩序并带来重大社会关注。智能化需求全自动运行线路（FAO）的推广要求系统具备高度自主感知能力，亟需构建可全天候、高精度识别间隙异物的智能检测方案以保障无人值守下的运行安全。技术瓶颈现有检测手段在复杂光照、雨雾天气或遮挡场景下性能不稳定，误报率与漏检率偏高，难以满足现代轨道交通对安全性与可靠性的双重严苛标准。

传统异物检测技术受限于环境干扰与识别精度不足机械检测局限传统机械式防夹装置依赖物理接触，响应滞后且无法预判异物。易受门体变形与磨损影响，长期使用后误报率显著上升。视频分析缺陷基于背景差分的视频检测易受光照变化和阴影干扰，导致误检频发。动态场景下难以区分真实异物与正常移动物体