基于改进YOLOv7的钢轨螺孔伤损检测方法

针对目前钢轨螺孔伤损识别过程中算法的检测精度较低、检测时间长、参数量大、计算资源占用高等问题,提出一种基于YOLOv7网络的改进算法模型。通过建立B显图像数据集,统计分析螺孔B显图像中待检测目标的面积大小、宽高比和占比情况,对YOLOv7网络进行改进,包括改进目标检测层、引入轻量级卷积、增加坐标注意力机制、优化损失函数,降低了改进算法的参数量和计算量,提高了网络的识别能力和检测速度。为评估该改进方法的有效性,进行了消融试验,并与Faster R-CNN(Regionbased Convolutional Neural Networks)、YOLOv3及YOLOv5算法进行了对比测试。结果表明,提出的改进YOLOv7算法综合表现优于其他算法,具有更高均值平均精度和更小的错检率,最终算法的均值平均精度为97%,参数量为18.0×10^(6),计算量为58.1×10^(9),检测时间为7.4 ms,能够较好地应用于钢轨螺孔伤损检测场景。