基于改进YOLOv5s算法的轨道扣件缺陷检测

摘要

针对轨道扣件缺陷复杂程度较高、严重影响列车行车安全、人工巡检效率较低等问题，提出一种基于计算机视觉的轨道扣件缺陷检测算法。考虑轨道扣件缺陷的特征以及检测时所处复杂作业环境，采用ConvNeXt V2模块代替YOLOv5s算法主干网络前端C3模块，采用Efficient Rep网络改进YOLOv5s算法主干网络末端，引入具有动态非聚焦机制的损失函数WIoU加快YOLOv5s算法模型计算收敛速度，形成改进YOLOv5s算法(CR-YOLOv5s算法),检测轨道扣件缺陷状态，开展消融试验，并与快速区域卷积神经网络(faster region-based convolutional neural networks, Faster R-CNN)算法、单阶多层检测(single shot multibox detector, SSD)算法、YOLOv3算法、YOLOv4算法检测进行对比试验。试验结果表明：CR-YOLOv5s算法的召回率为89.3%,平均检测精度均值为95.8%,平均检测时间为10.1 ms, 3项指标均优于其他4种算法；与YOLOv5s算法相比，CR-YOLOv5s算法的召回率均值提高5.7%,平均检测精度均值提高4.0%,平均检测时间延长1.0 ms。综合考虑轨道扣件状态检测任务要求、召回率、平均检测精度均值、平均检测时间等因素，采用CR-YOLOv5s算法检测轨道扣件缺陷状态更具优势。

关键词

轨道扣件 / 缺陷检测 / YOLOv5s算法 / ConvNeXt V2模块 / Efficient Rep网络 / 损失函数WIoU