基于多尺度可分离蒸馏网络的列车轮对踏面缺陷检测算法

作     者：程翔 朱禹熹 贾林 

作者机构：湖南铁道职业技术学院人工智能学院 重庆理工大学材料科学与工程学院 湖南工业大学轨道交通学院 

出 版 物：《铁道科学与工程学报》 (Journal of Railway Science and Engineering)

年 卷 期：2024年

学科分类：08[工学] 082304[工学-载运工具运用工程] 080204[工学-车辆工程] 0802[工学-机械工程] 0823[工学-交通运输工程] 

基　　金：国家自然科学基金资助项目(62303178) 湖南省自然科学基金资助项目(2023JJ60232) 湖南省教育厅资助科研项目(23B1018,22B0577) 

主　　题：轮对踏面缺陷 知识蒸馏 无锚检测器 多尺度特征模块 深度学习 

摘      要：作为列车安全维护的重点问题，列车轮对表面缺陷检测性能易受低算力、多尺度和复杂背景等因素的制约。这使得许多基于深度学习的目标检测算法难以完全发挥其性能。针对以上问题，提出了一种基于多尺度可分离蒸馏网络的列车轮对踏面缺陷检测算法(D-MSCNet)。在该方法中，首先设计一种由跨层可分离特征提取模块(CSEM)和多尺度可分离下采样模块(MSDM)组成的主干网络(MSA-ResNet)。其中，CSEM模块通过在残差架构中引入深度可分离卷积、扩展卷积、通道压缩和跨层连接机制来保证它能在不显著增加计算量的同时丰富特征信息、扩大感受野。多尺度可分离下采样模块(MSDM)通过引入多尺度特征融合机制和注意力模块以在下采样任务过程中提高多尺度特征信息、弱化背景信息。其次，设计了一种新的主从区域知识蒸馏策略来有效地压缩和简化模型。它首先根据标签中的Ground Truth划分主要和次要蒸馏区域，然后将两者作用于各个回归分支之间以执行知识蒸馏任务。最后，在实际列车轮对踏面数据集上进行了实验分析，对比实验表明当所提方法 D-MSCNet在加载小参数网络(MSA-ResNet18)时，其MAP=64.9%、FPS=85优于大多数对比方法，表明了该方法能够有效地平衡检测速度和检测精度。此外，通过消融实验、模块对比实验以及可视化分析进一步验证了所提方法的有效性和优越性。