-
题名深度学习视域下的轨面伤损检测与量化分析
- 1
-
-
作者
王超
韩峰
李媛
王成祥
-
机构
兰州交通大学土木工程学院
-
出处
《铁道标准设计》
北大核心
2025年第8期39-46,共8页
-
基金
国家自然科学基金项目(51568037)
对口支援高校联合创新资金项目(LH2023018)。
-
文摘
为解决铁路行车密度增加、运输量增大及预留天窗点时间短而导致的钢轨伤损识别速度慢、精度低等问题,提出一套基于深度学习YOLO v5模型的钢轨表面伤损检测算法,旨在进一步提升钢轨伤损识别的速度与精度。以实际铁路环境中采集的高质量图像为数据基础,经过筛选与标注,构建了包含3个类别的共1 792张无重复的钢轨表面伤损图像数据集。利用Swin Transformer网络的自注意力机制和移动窗口特性,替换YOLO v5网络的特征提取末端和特征融合尾部结构的C3模块,进一步增强网络的全局感知能力;在Neck端融入轻量级的卷积注意力模块CBAM来细化空间和通道维度的特征响应,聚焦模型注意力于钢轨表面区域。对新算法进行消融实验分析,与原网络YOLO v5s、YOLO v3及Faster RCNN算法进行对比,实验结果表明:基于新算法的鱼鳞裂纹、剥离掉块及接头伤损精度分别达到92.5%、93.7%和99.5%,检测平均速率达到19.2 ms/帧。提出的算法在钢轨表面伤损检测方面具有更高的检测精度和更强的特征提取能力,有效抑制了轨面伤损检测存在的错检和漏检问题,实现了速度与精度的平衡,可以满足实际铁路环境中对钢轨表面检测的需求。
-
关键词
轨面伤损检测
深度学习
YOLO
v5
Swin
Transformer
CBAM
-
Keywords
rail surface damage detection
deep learning
YOLO v5
Swin Transformer
CBAM
-
分类号
U213.2
[交通运输工程—道路与铁道工程]
U216.3
[交通运输工程—道路与铁道工程]
-
-
题名在线轨面伤损检测软件系统优化设计与实现
被引量：1
- 2
-
-
作者
刘恒
张军
戴广宇
吕堃林
陈哲
-
机构
暨南大学光电工程系
-
出处
《应用光学》
CAS
CSCD
北大核心
2016年第3期372-379,共8页
-
基金
国家自然科学基金(61177075)
广东省自然科学基金(2015A030313320)
+2 种基金
广东省自然科学杰出青年基金项目(2015A030306046)
广东省重大科技专项项目(2015B010125007)
广东省重大科技专项项目(2015B010125007)
-
文摘
针对实际应用中轨面伤损检测系统检测速度较慢的问题,在保证检测精度的前提下,结合轨面图像特点及软件工程的思想,提出了面向算法、编程技术和存储介质3个层面的优化方法。算法优化通过重新设计算法流程,合理取舍步骤,实现算法到CPU的高效映射;编程技术优化使用多线程编程,通过并行运算充分利用处理器的多核优势;存储介质优化通过使用读写快、质量轻、能耗低、体积小的固态硬盘进行图像读写,有效地提升了硬件效率。实验结果表明,优化后平均每幅轨面图像检测耗时由17.94ms降低到仅8.33ms,速度提升了53.57%,在分辨率为1mm的精度下换算成车速约为207km/h,可以满足铁路轨面伤损在线检测需求。
-
关键词
轨面伤损检测
软件优化
算法优化
多线程编程
固态硬盘
在线检测
-
Keywords
rail surface defects detection
software optimization
algorithm optimization
multi- thread programme
solid state drives
online detection
-
分类号
TN206
[电子电信—物理电子学]
TP274
[自动化与计算机技术—检测技术与自动化装置]
-
