文献类型：期刊文章

作　　者：杜少聪[1] 张红钢[2] 王小敏[1]

DU Shaocong;ZHANG Honggang;WANG Xiaomin(School of Information Science and Technology,Southwest Jiaotong University,Chengdu 611756,China;School of Mechanical and Electronic Engineering,Pingxiang University,Pingxiang Jiangxi 337000,China)

机构地区：[1]西南交通大学信息科学与技术学院,成都611756 [2]萍乡学院机械电子工程学院,江西萍乡337055

出　　处：《北京交通大学学报》

基　　金：中国国家铁路集团有限公司科技研究开发计划(P2021G053,N2021T008)。

年　　份：2023

卷　　号：47

期　　号：2

起止页码：129-136

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2023_2024、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对钢轨表面缺陷检测效率较低及抗干扰能力较差的问题,提出一种基于改进YOLOv5的钢轨表面缺陷检测算法.首先,采用图像增强操作对采集到的钢轨表面图像进行预处理,减轻高光、异物等噪声对检测效果的影响.其次,将多头自注意力层嵌入YOLOv5骨干网络末端,并为缺陷特征引入全局依赖关系,提升模型对密集缺陷的检测效果.最后,构建跨层加权级联结构,将浅层信息融入到深层网络中,使网络对缺陷边界的回归更为精准.实验结果表明:本文的钢轨表面缺陷检测算法对裂纹、剥落、磨损3类表面缺陷检测的平均精度均值达到98.2%,每秒帧数(Frames Per Second,FPS)达到77帧/s,能够在不同的环境条件中实现对缺陷的精准检测,比其他某些同类算法拥有更高的鲁棒性、准确性和实时性.

关 键 词：钢轨表面缺陷检测  YOLOv5  图像处理  多头自注意力  跨层加权级联  

分 类 号：U216.3]