动态蛇形卷积结合可变形注意力Transformer增强的裂缝检测

摘要

针对高速铁路无砟轨道板裂缝复杂多样，现有裂缝检测方法存在裂缝目标特征提取不充分、检测不连续及检测精度不高的问题，提出了一种动态蛇形卷积结合可变形注意力Transformer增强的裂缝检测方法 .首先，在Mask2Former分割模型的基础上，提出动态蛇形卷积改进的ResNet-50作为裂缝特征提取主干网络，利用动态蛇形卷积的连续预测能力，提高特征提取网络对于复杂多样无砟轨道裂缝几何特征的拟合效果，克服裂缝检测不连续的问题.然后，设计可变形注意力Transformer解码器模块，使模型能够动态适应无砟轨道裂缝复杂多样的结构特征变化，增强捕获全局上下文信息的能力，解决裂缝识别不准确的问题.其次，在Transformer解码器中设计改进前馈神经网络（feedforward network, FFN），通过学习裂缝周围的局部信息，使其能够更准确地捕捉裂缝局部细节特征，提高检测精度.最后，将Transformer解码器输出与像素解码器输出融合，得到裂缝检测结果 .裂缝检测实验结果表明，所提方法可以准确地检测出不同形状的裂缝，较原始的Mask2Former模型平均准确率提升了6.34个百分点，平均召回率提升了4.70个百分点，F₁达到了94.30%.所提方法对于铁路无砟轨道板表面裂缝检测具有较好的性能，提高了裂缝的检测精度，主客观评价均优于对比方法 .

关键词

无砟轨道 / 裂缝检测 / 动态蛇形卷积 / Transformer / 缺陷检测

基金资助

国家自然科学基金资助项目（62462043,61963023）