文献类型：期刊文章

作　　者：王耀东[1,2] 于航[1,2] 李宁[3] 朱力强[1,2] 史红梅[1,2] 余祖俊[1,2]

WANG Yaodong;YU Hang;LI Ning;ZHU Liqiang;SHI Hongmei;YU Zujun(Collaborative Innovation Center of Railway Traffic Safety,Beijing Jiaotong University,Beijing 100044,China;Key Laboratory of Vehicle Advanced Manufacturing,Measuring and Control Technology,Ministry of Education,Beijing Jiaotong University,Beijing 100044,China;BYD Signal&Communication Company Limited,Beijing 101111,China)

机构地区：[1]北京交通大学轨道交通安全协同创新中心,北京100044 [2]北京交通大学载运工具先进制造与测控技术教育部重点实验室,北京100044 [3]比亚迪通信信号有限公司,北京101111

出　　处：《铁道学报》

基　　金：中央高校基本科研业务费(2022JBXT005);国能朔黄铁路发展有限责任公司科技创新项目(GJNY-21-65)。

年　　份：2024

卷　　号：46

期　　号：11

起止页码：93-101

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CAS、CSCD、CSCD2023_2024、EAPJ、EI、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为实现重载铁路轨道典型缺陷的准确、快速、智能检测,基于深度学习算法,提出一种针对重载铁路钢轨图像的特征加强卷积神经网络模型,研制一套基于机器视觉的便携式轨道图像采集系统;整理创建重载铁路钢轨表面多目标图像数据集,并基于此数据集进行训练,实现裂纹、擦伤、块状损伤、接缝4种典型缺陷目标的智能识别;针对数据集中目标尺度分布不平衡的特点,使用聚类算法重新设置锚框的尺寸和数量;对比分析重载铁路钢轨缺陷图像的纹理复杂性与固有特点,引入加权融合池化模块和纹理特征增强模块对自适应训练样本选择(ATSS)算法进行改进。应用所提算法对重载铁路轨道进行检测,4类典型缺陷目标的全类平均正确率达到85.8%。通过与其他9种检测算法的对比,充分验证了所提算法的有效性。

关 键 词：重载铁路 钢轨缺陷  机器视觉 深度学习  目标检测

分 类 号：U216.3]