基于轻量化YOLOv8s的轨道扣件状态检测方法
武福1
蒋鹏民1
李忠学1
杨喜娟2
吕金旺1
1.兰州交通大学机电工程学院,兰州 7300702.兰州交通大学电子与信息工程学院,兰州 730070
摘要：铁路基础结构设施长期遭受车辆荷载以及外在环境因素影响,沿线的轨道扣件容易产生弹条丢失、偏移、损坏等问题,严重威胁轨道线路的安全运营.针对目前依赖人工目测和采样抽检等主观性强的检修方式所导致的检测效率低、漏检率高以及在边缘设备上无法实时检测的问题,提出一种基于YOLOv8s的轻量化轨道扣件状态检测模型FTEL-YOLO,旨在提高检测准确率和实时性.首先,参考FasterNet-Block的思想设计C2f-Faster模块以减小模型参数量;然后,为解决网络轻量化导致的模型检测精度下降的问题,在空间金字塔池化(Spatial Pyramid Pooling Fast,SPPF)模块之后引入三元注意力机制(Triplet Attention),并引用EIoU作为边界框回归损失函数来提升对复杂背景下轨道扣件不同状态的特征提取能力;最后,对改进后的模型进行基于层自适应幅度的剪枝(Layer-Adaptive Magnitude-based Pruning,LAMP)操作,进一步压缩模型以减小冗余,提高其在边缘设备上的应用能力.实验结果表明:改进后的模型FTEL-YOLO检测精度仅损失0.3%,但计算量、参数量和模型大小分别下降63.1%、65.6%和66.2%,在保持准确性的同时实现了轻量化.
关键词：深度学习故障检测轨道扣件YOLOv8s三元注意力机制模型轻量化
分类号：TP391(计算技术、计算机技术)U216.3(铁路线路工程)
论文发表日期：2024-10-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 59-68 )
英文信息