计算机工程

作者：张元, 吕德芳, 孟建军, 祁文哲

单位：1. 兰州交通大学机电技术研究所, 甘肃 兰州 7300702. 兰州交通大学机电工程学院, 甘肃 兰州 7300703. 甘肃省物流与运输装备行业技术中心, 甘肃 兰州 7300704. 甘肃省物流及运输装备信息化工程技术研究中心, 甘肃 兰州 730070

关键词：钢轨扣件,目标检测,YOLOv5,注意力机制,卷积网络,轻量化

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

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, 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, 模型体积大、参数量多等因素导致无法同时平衡检测准确度和速度。采用压缩与激活(SE)注意力机制与坐标注意力(CA)机制组成的双注意力机制对YOLOv5模型进行改进; 重新设计网络, 选用MobileNetv3作为主干网络, 同时引入含有GSConv模块的Slim-Neck结构和轻量级上采样算子, 以降低计算成本; 将YOLOv5的坐标损失函数修改为SIoU, 以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53.8 ms, 检测速度为17.9帧/s, 并且模型大小仅有8.3 MB, 符合模型体积小、检测效果佳的要求。

来源：2025年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第2期