Обнаружение поверхностных дефектов железнодорожных рельсов на основе глубокого обучения

Detection of Surface Defects on Railway Tracks Based on Deep Learning
Maoli Wang, Kaizhi Li, Xiao Zhu, Yining Zhao
2022-01-01

механизм внимания V-CBAMYOLOv5s-VFадаптивное пространственное слияние признаковобнаружение объектовобнаружение дефектов поверхности рельсов
Обнаружение поверхностных дефектов рельсов имеет большое значение для железнодорожного транспорта. Однако дефекты кромок с обеих сторон рельса и различия в масштабах между дефектами разных типов создают трудности для обнаружения поверхностных дефектов рельсов. Для решения этих проблем в статье предлагается новая сеть обнаружения поверхностных дефектов рельсов YOLOv5s-VF. Во-первых, разработан механизм функционального внимания с повышением резкости (V-CBAM), включающий два ключевых компонента: адаптивное канальное внимание (F-CAM) и пространственное внимание с повышением резкости (SSA). В F-CAM для межканальных связей используется одномерная свёртка с адаптивными свёрточными ядрами, что позволяет уменьшить число параметров механизма внимания без ухудшения его характеристик. В SSA разработан фильтр повышения резкости, адаптированный для пространственного внимания, который усиливает внимание к дефектам в области кромок железнодорожных рельсов и повышает эффективность сети при обнаружении таких дефектов. Во-вторых, построен модуль адаптивного пространственного слияния признаков микромасштаба (M-ASFF), в который добавлен слой извлечения признаков высокого разрешения для улучшения детализации низкоуровневых признаков мелких дефектов. Одновременно для предотвращения потери детальной информации и чрезмерного увеличения числа параметров модели удаляется слой признаков низкого разрешения. В сочетании с адаптивным пространственным слиянием признаков это предотвращает семантические конфликты, обусловленные слиянием признаков разных масштабов. Наконец, учитывая отсутствие общедоступных размеченных наборов данных о поверхностных дефектах рельсов, были собраны реальные изображения рельсов, дефекты размечены вручную, а полученные данные использованы для обучения сети обнаружения объектов, которая опубликована в открытом доступе. Экспериментальные результаты показывают, что YOLOv5s-VF превосходит существующие методы обнаружения поверхностных дефектов рельсов, достигая точности обнаружения 93,5% и скорости обнаружения 114,9 кадра/с.
1
Модуль M-ASFF добавляет высокоразрешающий слой для извлечения признаков мелких дефектов и удаляет низкоразрешающий слой, ограничивая потерю деталей и рост числа параметров при многоштабном слиянии.
2
Авторы собрали и вручную разметили реальные изображения рельсов, создав и открыв набор данных о поверхностных дефектах рельсов.
3
Предложенная сеть YOLOv5s-VF предназначена для обнаружения поверхностных дефектов рельсов, включая краевые и разноразмерные дефекты.
4
Механизм V-CBAM объединяет адаптивное канальное внимание и усиленное пространственное внимание, сокращая число параметров и улучшая обнаружение дефектов у краёв рельса.
5
YOLOv5s-VF превзошла существующие методы обнаружения дефектов рельсов, достигнув точности 93,5% и скорости 114,9 кадра в секунду.

Поверхности рельсов железнодорожных путей с поверхностными дефектами, включая краевые и мелкие дефекты

Точность и скорость обнаружения разноразмерных поверхностных дефектов рельсов, особенно краевых дефектов, с использованием сети обнаружения объектов

Publication Details
Publication Date
2022-01-01
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Maoli Wang
Kaizhi Li
Xiao Zhu
Yining Zhao
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%