来源：期刊VIP网 时间：
作者：罗生民;许贵阳;魏培勇;白堂博;
单位：北京建筑大学机电与车辆工程学院;北京建筑大学城市轨道交通车辆服役性能保障北京市重点试验室;中国铁道科学研究院集团有限公司铁道建筑研究所;
摘要：为解决当前铁路边坡病害巡检方法效率低、病害特征差异小提取难、检测模型复杂度高和分类精度低的问题，提出了一种基于无人机巡检图像的智能检测方法 YOLO-LCMT(YOLO-Lightweight Cross-Scale Multi-Target Detection)。针对不同病害特征差异小、提取难的问题，改进了跨尺度特征融合模块（Cross-Scale-Feature Module,CCFM）以提升特征融合能力；针对病害场景复杂、分类精度低的问题，引入C3＿SENetV2模块改进主干网络，增强了模型捕捉通道级模式和全局知识的能力，实现了更好的特征表示；针对现有检测模型复杂度高的问题，引入轻量化特征提取模块（ADown）替换主干特征提取和下采样过程中的卷积模块，减少了模型参数量和计算量。试验结果表明，改进模型的精度、召回率和IoU阈值为0.5时的平均精度均值（mAP@0.5）分别达到了93.5%、90.5%和95.1%，较初始模型分别提升了2.7%、9.0%和3.4%；同主流算法相比拥有更高的检测精度、更小的参数量和计算量，同时收敛效果也更好。YOLO-LCMT算法在本文数据集中拥有较好的表现，可以作为铁路边坡病害检测的一种新方法。
关键词：铁路边坡;;无人机巡检;;YOLO-LCMT;;病害检测;;特征融合;;C3＿SENetV2
基金资助：北京市自然科学基金（L221027）
