基于改进YOLOv8的地铁列车焊缝缺陷轻量化检测方法

针对现有的地铁列车车体焊接质量检测技术存在检测模型较大、检测精度和效率较低的问题,提出一种基于改进YOLOv8的焊缝缺陷轻量化检测方法。首先,利用相控阵超声波检测仪采集对接焊缝内部缺陷图像,通过图像预处理制作成焊缝缺陷数据集。然后,在YOLOv8模型基础上,利用Inner-SIoU优化原有损失函数、采用C2f-PConv替换C2f模块、引入大型可分离核注意力(LSKA)模块和挤压激励(SE)注意力机制,建立了基于改进YOLOv8的地铁列车车体焊缝缺陷质量检测模型,以提高焊缝缺陷特征提取和多尺度特征融合的能力。最后,利用改进的YOLOv8模型对焊缝缺陷数据集进行训练和测试。结果表明,改进的YOLOv8模型大小为7.91 M,对于焊缝缺陷的检测精度达到98.30%,检测速度达到138.9帧/s,与YOLOv8原始模型相比,模型更小,检测精度更高。

基于改进YOLOX的地铁列车焊接质量检测

车体作为地铁列车的主要承载结构,主要依靠数量庞大的基础件组焊而成,其在列车运行中承受着巨大的冲击载荷,因此对焊接质量提出了更高的要求。实际焊接过程中焊接工艺复杂、焊接技术不一,导致了焊接缺陷的产生。焊接缺陷会降低车体的强度和刚度,危害地铁列车的运行安全。现有的焊接质量检测技术存在智能化水平不高、检测效率低的问题。针对上述问题,提出一种基于改进YOLOX的列车车体焊接质量智能检测方法。首先,利用相控阵超声波检测仪采集焊缝缺陷图像,制作焊接缺陷数据集。然后,为提高YOLOX的检测性能,弥补YOLOX在检测精度和速度方面的不足,引入了跨阶段分部网络(Cross-stage Partial Dark Network,CSPDarkNet)、密集连接网络(Densely Connected Network,DCN)、加权双向金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)和自适应空间融合网络(Adaptively Spatial Feature Fusion,ASFF),建立基于改进的YOLOX的地铁列车车体焊接质量检测模型,提高了焊缝缺陷特征提取和多尺度特征融合的能力。最后,利用改进的YOLOX模型对焊接缺陷数据集进行训练和测试,通过实验验证所提方法的有效性和可行性。实验结果表明,改进的YOLOX模型对于焊接缺陷的检测精度达到97.30%,检测速度达到78.4 fps,与主流检测网络Faster R-CNN和YOLO V5相比,在检测精度和检测速度方面具有更大的优势。研究成果能够满足地铁列车焊接质量检测的需求,实现焊接缺陷的智能检测和缺陷类型的智能判断。

基于改进的多算法融合地铁站内乘客行为识别

乘客的行为识别在保障乘客安全方面发挥着重要作用,它能提高地铁站对乘客安全的管理能力。然而,由于地铁车站内乘客人数众多,在出现照明变化和人员遮挡时会严重影响识别的准确率。为了解决准确率低的问题,在时空图卷积神经网络(STGCN)的基础上结合有效通道注意力网络(ECANet),加强了不同节点的连接,提出一种STEGCN节点注意力算法。此外,为了进一步提高准确率,采用双流结构,更进一步提出一种2s-STEGCN算法。应用Alphapose框架,结合YOLOv5_m目标检测算法、SPPE单人姿态估计算法和2s-STEGCN算法,提出一种改进的多算法融合行为识别方法用于地铁站内乘客的行为识别。首先,利用YOLOv5_m对乘客进行框定;然后,通过SPPE对框定的乘客进行骨骼关键点提取;最后,将提取到的骨骼关键点以坐标的形式输入2s-STEGCN,完成乘客的行为识别。为了验证2s-STEGCN算法的有效性,使用南宁地铁1号线的客流数据集分别在单人场景与多人场景下开展实验。实验结果表明:在损失值方面,2s-STEGCN具有最低的损失值,它的损失值仅为0.244,比STGCN的损失值低约0.025,这表明了2s-STEGCN具有更强的模型构建能力。在准确率方面,单人场景下的2s-STEGCN拥有最高的准确率,它的准确率达到96.13%,比STGCN高3.69%。此外,2sSTEGCN的准确率在多人场景下也有明显提升。该实验结果可为地铁乘客行为识别提供参考和理论支持。