文献类型：期刊文章

作　　者：何庆[1,2] 陈正兴[1,2] 王启航[1,2] 王晓明[1,2] 王平[1,2] 余天乐[3]

HE Qing;CHEN Zhengxing;WANG Qihang;WANG Xiaoming;WANG Ping;YU Tianle(School of Civil Engineering,Southwest Jiaotong University,Chengdu 610031,China;Key Laboratory of High Speed Railway Engineering,Ministry of Education,Southwest Jiaotong University,Chengdu 610031,China;Shanghai Dongfang Maritime Engineering Technology Co.,Ltd.,Shanghai 200011,China)

机构地区：[1]西南交通大学土木工程学院,四川成都610031 [2]西南交通大学高速铁路线路工程教育部重点实验室,四川成都610031 [3]上海市东方海事工程技术有限公司,上海200011

出　　处：《铁道学报》

基　　金：国家自然科学基金(51878576,U1934214);四川省科技计划(2020YFG0049)。

年　　份：2022

卷　　号：44

期　　号：12

起止页码：82-88

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对钢轨探伤普遍存在的判伤时间长、漏报率高等问题,提出一种改进的YOLO V3算法。首先对YOLO V3网络结构进行改进,包括增加极小尺度检测层、添加SPP模块和SE模块等,然后对B显图像数据进行数据增强和杂波滤除处理,采用K-means聚类算法对数据集中的边界框进行聚类分析,获得12个先验框;其次对改进的YOLO V3网络进行参数调整,使用B显图像数据集对改进YOLO V3模型进行训练,最终实现对B显图像中的核伤、轨底伤损、表面伤损、异常螺孔四类异常数据集和断面、接头、螺孔、焊缝四类正常数据集的定位和识别功能。试验对17601张B显图片进行检测。结果表明,提出的钢轨伤损识别模型的平均精度为92.3%,检测速度达到44 ms/张,能够较为准确快速地检测钢轨伤损。

关 键 词：钢轨伤损 目标检测 YOLO V3  深度学习  卷积神经网络

分 类 号：U216.3]