-
题名双域多尺度特征提取的轨道面瑕疵检测算法
- 1
-
-
作者
胡贺南
都业辉
李荣华
王大志
张然
-
机构
大连交通大学机械工程学院
大连交通大学自动化与电气工程学院
大连理工大学机械工程学院
-
出处
《铁道科学与工程学报》
北大核心
2025年第9期4218-4233,共16页
-
基金
辽宁省教育厅科学研究项目重点项目(LJKZ0475)
辽宁省教育厅科学研究项目(LJ212410150036)
大连市高层次人才创新支持计划(2022RJ03)。
-
文摘
轨道面瑕疵检测是保障铁路系统安全运行的关键技术。针对现有的轨道面瑕疵检测算法存在准确率低和漏检率高的问题,基于YOLOv5s框架,提出一种双域多尺度特征提取的轨道面瑕疵检测算法。首先,设计动态增强上采样模块,减少上采样过程中导致的分辨率损失和伪影现象,提升对轨道面瑕疵细粒度特征的获取能力;其次,提出自协同卷积块注意力,结合自注意力机制和卷积块注意力机制的优势,在捕获轨道面瑕疵全局上下文信息的同时,抑制无用背景信息的干扰;随后,采用全维动态卷积替换主干网络中的标准卷积,动态调整卷积核参数,实现对轨道面瑕疵的多尺度特征提取;最后,构建小波变换金字塔模块,通过Haar小波分解,联合提取瑕疵的空间域和频域特征,增强全局形状建模与细节表达能力。实验结果表明,各改进策略均有效提升了模型的检测性能。在自建的轨道面瑕疵数据集上,改进算法的平均精度mAP_(50)和mAP_(50-95)分别达到84.4%和53.3%,GFLOPs为13.8G,相比于YOLOv5s,平均精度mAP50和mAP_(50-95)分别提升4.6个百分点和6.7个百分点,GFLOPs降低13.8%。与Faster R-CNN、RT-DETR、SSD、YOLOv7等主流目标检测算法以及其他轨道面瑕疵检测算法相比,改进算法具有更高的检测精度,同时在公开的轨道面瑕疵数据集上展现出良好的泛化能力,证明了其在轨道面瑕疵检测领域的有效性。
-
关键词
轨道面瑕疵检测
上采样模块
注意力机制
全维动态卷积
小波变换
-
Keywords
track surface defect detection
upsample module
attention mechanism
omni-dimensional dynamic convolution
wavelet transform
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
