基于双注意力和GSSN轻量化的钢轨扣件缺陷检测

作     者：张元 吕德芳 孟建军 祁文哲 

作者机构：兰州交通大学机电工程学院 甘肃省物流及运输装备信息化工程技术研究中心 兰州交通大学机电技术研究所 甘肃省物流与运输装备行业技术中心 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2024年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0814[工学-土木工程] 082301[工学-道路与铁道工程] 0823[工学-交通运输工程] 

基　　金：甘肃省重点研发计划(21YF5GA049) 兰州市科技计划项目(2023-1-16) 

主　　题：钢轨扣件 目标检测 YOLO v5 注意力机制 卷积网络 轻量化 

摘      要：铁路钢轨扣件的缺陷检测是铁道安全巡检中极为重要的工作之一，为提高钢轨扣件维护工作的效率，将实施基于深度学习的方式进行巡检。而使用当前主流的目标检测模型进行钢轨扣件缺陷的检测时，由于模型体积大、参数量多造成无法同时平衡检测准确度和速度。本文对YOLO v5模型进行改进，采用SE和CA组成的双注意力机制；重新设计网络，选用MobileNet v3为主干网络，同时引入含有GSConv模块的Slim-Neck结构和轻量级上采样算子，降低计算成本；最后，将YOLO v5的坐标损失函数修改为SIoU，提升训练时的收敛速度，使得模型更加轻量化。使用改进后的模型在钢轨扣件数据集上进行测试，结果显示，单张扣件图片的检测时间为53.8ms，速度为17.9FPS，并且模型大小仅有8.3MB，符合模型体积小、检测效果佳的要求。