基于改进YOLOv5的机车轮对踏面缺陷检测

针对传统机车轮对踏面缺陷检测方法难以准确、快速、有效地检测出踏面缺陷的问题,文章提出了一种基于YO⁃LOv5算法的两阶段目标检测模型。首先,对YOLOv5检测网络采用Ghost进行轻量化设计,并引入注意力机制以强化重要特征的表达能力,从而提高模型的检测速度,降低模型复杂度。同时,精简踏面提取特征融合网络结构,改进原始先验框以适配数据集。实验结果表明:在踏面提取阶段,算法仅损失0.26%精度的基础上,检测速度提高了43.4%;在缺陷检测阶段,检测精度提高了1.72%,检测速度提高了30.4%。改进后的模型算法复杂度显著降低,具有一定的工程应用价值。

基于R-P图像注意融合网络的列车轮对踏面缺陷识别

轮对踏面缺陷识别是开展列车轮对检修维护的重要前提。然而,轮对踏面缺陷样本存在的数量少、类别不均衡现象,使得传统深度学习方法识别精度有限,难以满足列车智能运维发展的需求。提出一种基于R-P图像注意融合网络(RP-AFN)的列车轮对踏面缺陷识别方法。首先,将RGB图像及其泊松编码(Poisson coding,POS)形式同时引入Mobilenetv2网络之中,以通过丰富输入信息的方式来缓解小样本问题;其次,将挤压-激励模块(SEBlock)和相似性约束引入模型中,以提取具有模态间交互性信息的判别注意力特征,并利用多层感知机(MLP)对其进行融合和推断;最后,基于焦点损失和相似性损失设计一种联合损失函数,使其能够通过惩罚大类别样本以缓解类别不平衡问题。实验结果表明:所提融合方法实现了85.7%的轮对踏面缺陷识别率,且其各项指标以约2.5%~20%的优势优于对比方法。在不同输入大小和主干网络的条件下,以224×224为输入大小的Mobilenetv2模型所对应的模型性能最佳。在不同特征融合策略的条件下,特征拼接方法的各项指标以约1%~3.5%的优势优于特征加法、特征外积和动态加权等方法。在不同调剂因子μ的设置中,μ=0.7的情况下,模型各项指标性能达到综合最优。在主干网络相同的条件下,融合方法能够在不显著增加模型参数的情况下,其各项指标优于单模态方法约1%~6.3%。在执行消融实验的情况下,输入模态、损失函数和模块的消融都会给模型带来负面影响,验证了模型设计的合理性。RP-AFN模型能够有效地提高轮对踏面缺陷识别性能,可在一定程度上解决小样本和类别不均衡条件下的踏面缺陷识别问题。

基于多尺度可分离蒸馏网络的列车轮对踏面缺陷检测算法

作为列车安全维护的重点问题,列车轮对表面缺陷检测性能易受低算力、多尺度和复杂背景等因素的制约。这使得许多基于深度学习的目标检测算法难以完全发挥其性能。针对以上问题,提出一种基于多尺度可分离蒸馏网络的列车轮对踏面缺陷检测算法(D-MSCNet)。在该方法中,首先设计一种由跨层可分离特征提取模块(CSEM)和多尺度可分离下采样模块(MSDM)组成的主干网络(MSA-ResNet)。其中,CSEM模块通过在残差架构中引入深度可分离卷积、扩展卷积、通道压缩和跨层连接机制来保证它能在不显著增加计算量的同时丰富特征信息、扩大感受野。多尺度可分离下采样模块(MSDM)通过引入多尺度特征融合机制和注意力模块以在下采样任务过程中提高多尺度特征信息、弱化背景信息。其次,设计了一种新的主从区域知识蒸馏策略来有效地压缩和简化模型。它首先根据标签中的Ground Truth划分主要和次要蒸馏区域,然后将两者作用于各个回归分支之间以执行知识蒸馏任务。最后,在实际列车轮对踏面数据集上进行了实验分析,对比实验表明当所提方法D-MSCNet在加载小参数网络(MSA-ResNet18)时,其M_(AP)=64.9%、F_(PS)=85优于大多数对比方法,表明了该方法能够有效地平衡检测速度和检测精度。此外,通过消融实验、模块对比实验以及可视化分析进一步验证了所提方法的有效性和优越性。