基于特征分治与融合的铁路扣件轻量化实时检测模型
鄢化彪1
林初欣1
黄绿娥2
李东丽1
刘词波1
徐方奇1
1.江西理工大学理学院,江西赣州 3410002.江西理工大学电气工程与自动化学院,江西赣州 341000
摘要：为解决嵌入式设备实时处理海量铁路扣件视觉图像数据时无法兼顾精确度与检测速度的问题,提出一种基于特征分治与融合的轻量化实时检测模型.首先,利用基于空间与通道特征的分治混合注意力模块强化模型的特征提取能力,降低图像中复杂背景对目标的干扰;其次,提出一种二重分治特征融合方法,提升对不同大小目标的检测能力,同时在检测头(YOLO Head)的代价体构建方面,引入可变焦距损失函数(Varifocal Loss,VFL)代替YOLOX-Nano检测头的二值交叉熵损失函数,提高轻量化实时检测的精度;再次,使用随机Alpha-IoU(RAL)损失函数动态调整参数,延缓算法的收敛速度从而优化模型的训练曲线,避免模型训练过程陷入局部最优解;最后,采集10 233个检测目标并划分为6种类型,选择YOLOX-Nano、Faster R-CNN及YOLOv8n等主流目标检测模型作为对比进行实验.实验结果表明:所提模型的每秒帧数(Frames Per Second,FPS)为60.24,平均精度(Average Precision,AP)为83.40％,较基线模型提高了 3.24％;参数量为2.31 M,较YOLOX-Tiny减少54.08％,浮点数计算量为1.99 G,较YOLOX-Tiny减少69.15％.研究成果可为轻量级实时检测模型与计算系统提供参考.
关键词：轻量级嵌入式系统分治混合注意力模块分治特征融合代价体构建
分类号：TP391.41(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( 56-67 )
英文信息