基于C3F-YOLOv5的轻量化列车车底螺栓检测方法研究

作     者：董华军 韩华豫 李籽骁 朱晔 李金金 DONG Huajun;HAN Huayu;LI Zixiao;ZHU Ye;LI Jinjin

作者机构：大连交通大学机械工程学院辽宁大连116028 大连交通大学自动化与电气工程学院辽宁大连116052 

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

年 卷 期：2024年第21卷第8期

页      面：3455-3468页

核心收录：

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] 0503[文学-新闻传播学] 0823[工学-交通运输工程] 

基　　金：国家自然科学基金资助项目(51477023) 辽宁省自然科学基金计划(2019-MS-036) 

主　　题：螺栓检测 YOLOV5 注意力机制 损失函数 模型压缩 

摘      要：提高目标检测在列车车底复杂背景下螺栓的识别精度及检测速率,对于提高列车行驶安全性具有重要意义。为高效检测螺栓,提出一种基于C3F-YOLOv5的轻量化列车车底螺栓检测方法。使用自行设计的履带式车底检测机器人获取车底螺栓图片,并混合自行搭建的模拟平台螺栓图片与真实的列车车底螺栓图片作为最终数据集。将C3模块中的Bottleneck结构替换为Faster_Block结构,改进为C3F模块;并分别与FasterNet、GhostNet和MobileNetV3轻量化结构进行对比。此外,引入注意力机制CA模块,同时将原有损失函数L_(GIoU)替换为更为契合的L_(MPDIoU);使用SE模块和CBAM模块分别与CA模块进行比较,作为消融实验。最后采用LAMP分数的计算方法对模型权重参数排序,并将不重要的权重参数剪枝,作为新型模型压缩的方法。将最终模型压缩后的C3F-YOLOv5s网络模型分别与YOLOv4、YOLOv7、Mask R-CNN、RetinaNet进行对比试验。研究结果表明,在使用混合数据集的情况下,最终网络模型的平均检测精度达到了92.8%,检测速度达到了256.7 FPS。相较于其他4种经典的深度学习网络模型,改进后的模型检测效果更好,同时模型表现出较强的鲁棒性和泛化性能。该方法可在无法获得更多真实车底螺栓图片时,使训练后网络更加适应真实车底的情况,改进后的算法可以同时提高螺栓的识别精度和检测速度,可以为后续相关研究提供技术参考和理论支撑。