来源：期刊VIP网 时间：
作者：王超;韩峰;李媛;王成祥;
单位：兰州交通大学土木工程学院;
摘要：为解决铁路行车密度增加、运输量增大及预留天窗点时间短而导致的钢轨伤损识别速度慢、精度低等问题，提出一套基于深度学习YOLO v5模型的钢轨表面伤损检测算法，旨在进一步提升钢轨伤损识别的速度与精度。以实际铁路环境中采集的高质量图像为数据基础，经过筛选与标注，构建了包含3个类别的共1 792张无重复的钢轨表面伤损图像数据集。利用Swin Transformer网络的自注意力机制和移动窗口特性，替换YOLO v5网络的特征提取末端和特征融合尾部结构的C3模块，进一步增强网络的全局感知能力；在Neck端融入轻量级的卷积注意力模块CBAM来细化空间和通道维度的特征响应，聚焦模型注意力于钢轨表面区域。对新算法进行消融实验分析，与原网络YOLO v5s、YOLO v3及Faster RCNN算法进行对比，实验结果表明：基于新算法的鱼鳞裂纹、剥离掉块及接头伤损精度分别达到92.5%、93.7%和99.5%,检测平均速率达到19.2 ms/帧。提出的算法在钢轨表面伤损检测方面具有更高的检测精度和更强的特征提取能力，有效抑制了轨面伤损检测存在的错检和漏检问题，实现了速度与精度的平衡，可以满足实际铁路环境中对钢轨表面检测的需求。
关键词：轨面伤损检测;;深度学习;;YOLO v5;;Swin Transformer;;CBAM
基金资助：国家自然科学基金项目(51568037);; 对口支援高校联合创新资金项目(LH2023018)
