基于改进YOLOv5s的钢轨轨端检测算法
耿豪
李绍斌
盛雪清
北京交通大学自动化与智能学院,北京 100044
摘要：针对目前钢轨运输列车上随车人员监测钢轨轨端时,难以及时判断钢轨是否脱离紧固装置的问题,提出一种基于改进YOLOv5s的钢轨轨端检测算法.首先,采用轻量化的GhostNet主干网络替换原有的跨阶段局部网络(Cross Stage Partial Network,CSPNet),降低模型对于硬件资源的较高要求;其次,添加BiFomer与感受野注意力(Receptive Field Attention,RFA)机制,在弱化不相关背景区域的同时提高对钢轨轨端的定位能力;再次,使用损失函数SIoU替换函数CIoU,增强模型的泛化能力,使模型更快的收敛.最后,从检测正确率,检测速度等方面对算法进行验证和评价,并与单次多边框检测(Single Shot MultiBox Detector,SSD)、YOLOv8等算法进行对比.研究结果表明:改进后的检测算法对钢轨轨端检测的平均检测精度达到91.7％,平均检测时间为24ms,相较于YOLOv5s原模型提高了 5.3％,漏检误检情况得到了明显改善;改进后的算法能够在不同环境中实现对钢轨轨端的精准检测,在昏暗等不利环境下也具有良好的适应性,且每秒浮点运算次数较低,可部署在嵌入式设备RK3399中,能够更好地满足对钢轨轨端实时检测的需求.
关键词：计算机视觉注意力机制深度学习YOLOv5sRK3399
分类号：TP391.4(计算技术、计算机技术)
论文发表日期：2025-06-30
在线出版日期：2025-08-21（本平台首次上网日期，不代表文献的发表时间）
页数：12( 44-55 )
英文信息