改进YOLOv5s的钢轨表面缺陷检测算法

摘要

针对钢轨多类别缺陷识别任务中样本不平衡、尺度差异大，提出一种改进YOLOv5s的钢轨表面缺陷检测算法。在骨干网络中嵌入全局注意力机制，增强网络对缺陷特征的提取能力；构建加权双向特征融合网络，减少缺陷目标特征信息的丢失；在颈部采用改进的卷积结构，降低模型复杂度，同时提升检测精度；最后引入WIoU损失函数提升低质量样本预测能力。该方法在2种不同类别的数据集中都具有较好的表现，在RailDefect公共数据集上，其平均精度均值(mAP)达到91.2%,较YOLOv5s网络提高了3.6%,准确率(precision)和召回率(recall)分别提高了3.3%和3.9%。该算法在保证较高检测精度的同时降低了模型复杂度，更适合部署于算力有限的移动端轨道检测设备中，具有一定的实用价值。

关键词

钢轨多类别缺陷 / YOLOv5s / 注意力机制 / 加权双向特征融合网络 / 损失函数