基于改进YOLOv5的铁轨表面缺陷检测研究

作     者：周淼森 

作者单位：宁夏大学 

学位级别：硕士

导师姓名：汤全武

授予年度：2023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] 

主      题：铁轨缺陷检测 YOLOv5s 坐标注意力机制 特征融合 损失函数 

摘      要：由于我国铁路总里程和运营速度在突飞猛进的增长,以及铁路所处的环境几乎经历了全球典型的各种地带、地形和气候,因此实现铁路安全运营需要非常高的标准。铁轨表面缺陷通常是由于列车在轨道上的反复运动、温度变化或自然灾害引起的。如果没有适当的维护,铁轨表面缺陷持续增长可能会导致高昂的维护成本和严重的交通事故。目前铁轨表面缺陷主要靠手动检测和铁轨检测车辆,人工操作较多,且工作乏味,工作的质量和熟练程度因人而异。因此,研究有利于铁轨表面缺陷自动检测的新兴技术具有重要的现实意义。本文研究的是基于深度学习的铁轨表面缺陷检测问题,针对铁轨表面缺陷检测的方法存在通用性差,精度低,召回率低的问题,在原YOLOv5s的基础上进行研究改进,最终提出了 YOLOv5s-CBE铁轨缺陷检测网络。本文主要研究内容如下:(1)概述了基于深度学习的目标检测算法,介绍了其基础理论、结构和经典模型,并对基于CNN的经典目标检测算法进行分析研究,发现其现有的经典目标检测算法的优缺点及存在的问题。(2)针对铁轨表面缺陷检测自制了铁轨轨枕裂纹数据集和铁轨轨道缺陷数据集。针对其经典目标检测算法存在的问题,选择YOLOv5s对铁轨表面缺陷进行检测,针对YOLOv5s,介绍了其基本原理和网络结构。(3)在YOLOv5s基础上进行研究改进,首先将CA注意力模块分别加入主干C3模块中以及C3与SPPF之间,从通道和空间两个维度捕获通道关系和位置信息,提高了YOLOv5s主干网络特征提取能力。其次,在YOLOv5s的Neck部分,使用加权双向特征金字塔结构融合不同尺度信息,获取拥有丰富语义信息的输出特征图。同时,双向特征融合金字塔结构通过引入权重调整不同尺度输入特征图对输出的贡献,优化特征融合效果。最后,将原YOLOv5s中损失函数CIoU改为EIoU,EIoU不仅考虑了中心点距离和纵横比,而且还考虑了预测框与真实框宽度和高度的真实差异,提高了锚框的预测精度。最终提出了 YOLOv5s-CBE算法并在本文提出的两组数据集上分别进行实验分析,所提出的YOLOv5s-CBE算法在铁轨轨枕裂纹数据集上检测精度达到了80.7%,在铁轨轨道缺陷数据集上检测精度达到了76.3%,分别提升了3.7%和7.7%,并且改进后的算法模型带来了轻微的轻量化,对于缺陷检测的误检,漏检问题有着不同程度的提升。