摘要
轨道扣件的健康状态对保障列车安全运营具有极其重要的作用。近几年，随着计算机视觉技术和深度学习的快速发展，基于深度学习的轨道巡检列车已代替人工巡检方法，实现对轨道的自动巡检，但在轨道扣件缺陷检测方面，其采用的目标检测算法存在难以识别重叠缺陷、复杂背景下特征提取不充分、难以实现实时性检测等诸多缺点，容易出现漏检、误检等情况。因此，研究高精度、高效率的轨道扣件缺陷检测方法以及轻量级轨道扣件检测系统，对于提升我国轨道状态的实时巡检效率具有重要的工程实际意义。针对上述问题，本文设计一种基于轻量化卷积神经网络的轨道扣件缺陷检测算法，将其部署于JetsonAGXXaiver深度学习开发平台，应用于扣件缺陷检测任务中，并构建一套自采高清扣件数据集来对所设计的网络进行训练与测试评估。主要研究工作及结果如下: (1)构建一个关于轨道扣件缺陷的大规模数据集。数据主要通过智能巡检小车搭载线阵摄像头在铁路段采集以及课题组人工设计，使用Mixup、Mosaic等数据增强技术以扩充样本，平衡类别数量。 (2)提出一种基于Softer-NMS的加权融合算法用于优化回归框筛选阶段，进而改善扣件检测任务中存在的重叠缺陷难以识别，目标框偏移问题;在CBAM注意力机制基础上融合ECA,提出一种兼具空间注意力和高效通道注意力的EAM模块，并将其嵌入Neck网络，该策略能有效提升模型对关键有效特征信息的提取能力，进而改善目标检测网络对复杂背景下的缺陷特征提取不充分的问题，降低检测过程中的漏检、误检情况。 (3)提出一种轻量化的轨道扣件缺陷检测网络架构EL-YOLOv5。首先将改进后的ECA注意力引入到GhostBottleneck中，结合深度可分离卷积形成EG模块，然后使用深度可分离卷积结合漏斗激活函数形成DBF模块，用于减少主干网络中的冗余操作，搭建出新的轻量化主干网络。该策略显著提升了模型的检测精度，并且降低了网络参数量和计算复杂度，使得检测算法能够部署在计算资源有限的嵌入式平台进行实时检测。 (4)设计基于轻量化卷积神经网络的轨道扣件缺陷检测系统，将改进的轻量化检测算法框架部署到JetsonAGXXaiver深度学习开发平台中，并进行TensorRT加速实验，在开发平台上搭建人机交互界面，实时处理视频数据。实验结果表明，与改进前主体方法YOLOv5相比，本文所提出的EL-YOLOv5轻量化卷积神经网络模型在保证一定的检测速度的同时，具有更高的检测精度以及更少的参数计算量，其检测精度提升了4.7％,参数量减少了48.7％,可以满足工业对于轨道扣件缺陷检测实时性的需求，应用于大范围轨道扣件检测设备。
NETL