基于改进Faster R-CNN的高铁扣件检测算法

针对高铁无砟轨道中扣件发生松动,导致高铁扣件发生偏移或丢失的问题,提出一种基于改进Faster R-CNN的高铁扣件检测算法。在特征提取网络中引入可变形卷积,构建可变形残差卷积块,使特征提取过程更加集中于扣件区域,实现扣件状态的精确提取;并采用Alpha-IoU作为目标回归损失函数提高高铁扣件的回归精度。实验结果表明,该算法提高了高铁扣件的检测精度,相比于其他算法,能更准确地进行扣件定位和状态检测。

基于改进RetinaNet的高铁无砟轨道板表面裂缝检测

针对高铁无砟轨道板表面裂缝尺度差异大、裂缝类别不平衡等问题,提出了基于改进RetinaNet的裂缝检测方法。为了缓解下采样与特征金字塔横向连接压缩而导致的细微信息丢失的问题,利用多级特征金字塔融合ResNet-50主干网络中提取的不同层次的深浅特征,实现了图像特征信息的充分表达;为了解决检测过程中表面裂缝的分类和定位置信度之间不匹配的问题,提出自适应锚点学习使锚点与网络模型同时进行优化,提高了对小尺度裂缝的检测精度;为了缓解裂缝类别不平衡对检测性能的影响,引入焦点损失函数(Focal Loss)作为分类损失函数,并在其中添加类平衡权重项因子,提升了对小类别裂缝的检测精度。实验结果表明,改进RetinaNet检测网络对高铁无砟轨道板不同类别的裂缝均获得了较好的效果,平均检测精度(mAP)达到72.58%,较之原始RetinaNet检测网络提高了3.60个百分点,有效实现了对不同尺度裂缝的准确检测。