基于深度學(xué)習(xí)的軌道表面缺陷檢測

打開文本圖片集

摘要 ：針對鋼軌表面缺陷檢測精度不足和速度緩慢的難題，提出一種基于改進(jìn)的YOLOv5s鋼軌表面缺陷檢測算法。在此算法中，首先在YOLOv5s網(wǎng)絡(luò)中Bacbone部分內(nèi)嵌入CBAM注意力模塊，它能夠有效挖掘鋼軌損傷的通道和空間特征信息;同時(shí)，采用輕量化的CARAFE模塊取代原YOLOv5s網(wǎng)絡(luò)中Neck部分的傳統(tǒng)上采樣模塊，避免上采樣過程中特征信息的丟失，生成更多的細(xì)節(jié)和平滑的邊緣，有效增加模型的感受域，這些優(yōu)化措施顯著提升了模型對鋼軌缺陷特征的捕捉力，進(jìn)而增強(qiáng)了模型的檢測精度;其次，通過將YOLOv5s中的CBL模塊更換為更加高效的GSConv卷積模塊，實(shí)現(xiàn)了計(jì)算成本的節(jié)約和檢測速度的提升。（剩余12064字）