原文传递
基于改进YOLOv4的铁轨表面裂纹检测研究
| 论文题名： | 基于改进YOLOv4的铁轨表面裂纹检测研究 |
| 关键词： | 铁轨养护;裂纹检测;YOLOv4算法;特征融合;注意力机制 |
| 摘要： | 随着高速铁路的不断建设，目前我国运输的主要方式之一仍旧是铁路运输，但铁路的长期高负荷运行，铁轨难免会出现裂纹等缺陷现象，严重的甚至会影响铁路交通的安全运行。目前我国对铁轨的检测仍旧处于人工巡检阶段，效率较低，误检、错检率较高，不能满足当下需求。因此迫切需要一种可靠性强、准确率较高的方法来对铁轨表面裂纹进行检测。本文针对铁轨表面裂纹检测问题，通过分析现有目标检测算法在铁轨裂纹识别中存在的不足，对原YOLOv4算法进行改进，最终完成铁轨裂纹的目标检测算法研究，实现复杂场景下的铁轨表面裂纹高精度识别。本文主要研究内容如下: 首先深入研究了基于深度学习的目标检测算法及相关理论基础，并对单阶段与多阶段目标检测算法进行了对比分析，结果发现现有算法在公开数据集上的测试效果较好，但是在更复杂场景下效果并不理想。 然后采用“网上收集+数据增强”的方式制作了三种不同严重程度的数据集，选用了兼顾检测精度和速度的SSD算法和YOLOv4算法在铁轨表面数据集上进行实验验证。结果表明，对于大裂纹的检测，SSD算法的平均检测精度为42.89％，YOLOv4算法为52.92％;对于中裂纹的检测，两算法的平均检测精度分别为34.30％和46.31％;对于小裂纹的检测，平均检测精度分别为48.45％和66.30％。此外SSD算法的检测速度为36fps，YOLOv4算法的检测速度为了38fps。因此YOLOv4的精度和速度都优于SSD，但是两种算法对于裂纹的检测精度都较低。 最后针对铁轨表面裂纹检测精度不高的问题，对YOLOv4算法进行改进，首先在特征融合模块中加入累加操作，同时增加浅层特征图以及下采样来增加检测层深度，用较低层的特征图直接提取更多的小目标信息，从而获得更全面的信息;其次基于Focal Loss思想，提出YOLOv4+FL的铁轨裂纹检测方法，解决正负样本不平衡和挖掘困难样本难等问题，进一步提高目标检测的精确度;最后，增加通道注意力机制CAM放在空间注意力机制SAM前，对局部和整体特征进行信息捕捉，达到算法精度最优化。将改进的YOLOv4算法在铁轨表面裂纹数据集上进行结果性能验证，与原YOLOv4算法进行对比，改进的算法在维持速度不变的同时mAP相较之前提高了7.01％。 |
| 作者： | 陆楠菲 |
| 专业： | 电子信息 |
| 导师： | 汤全武 |
| 授予学位： | 硕士 |
| 授予学位单位： | 宁夏大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
