文章详情

摘要

针对传统钢轨扣件检测方法存在的检测效率低、成本高、人工劳动强度大、危险系数高等问题，文章尝试将深度学习应用于钢轨扣件检测中。文章以钢轨扣件为研究对象，结合CBAM注意力机制和YOLOv5模型，对钢轨扣件进行检测。实验结果表明：基于改进的YOLOv5钢轨扣件检测模型能够有效检测钢轨缺陷，检测精度为0.93，召回率为0.86，F1分数为0.92，表明该模型为钢轨扣件检测提供了一种有效的检测方法。

关键词

钢轨扣件；缺陷分类；YOLOv5；CBAM

参考文献

1. [1] 卢祖文.我国铁路的钢轨扣件 [J].中国铁路，2005（7）：25-27+10.
2. [2] 张元，吕德芳，孟建军，等.基于双注意力和GSSN轻量化的钢轨扣件缺陷检测 [J].计算机工程，2025，51（2）：289-299.
3. [3] 王乐，周谦，方玥，等.基于线结构光的钢轨扣件紧固状态检测方法 [J].激光与光电子学进展，2021，58（16）：399-407.
4. [4] 王恩鸿，柴晓冬，钟倩文，等.钢轨扣件横向偏移特征检测算法研究 [J].城市轨道交通研究，2021，24（5）：142-147.
5. [5] 蒋欣兰.结构化区域全卷积神经网络的钢轨扣件检测方法 [J].计算机科学与探索，2020，14（11）：1888-1898.
6. [6] 范宏，侯云，李柏林，等.高铁扣件的自适应视觉检测算法 [J].西南交通大学学报，2020，55（4）：896-902.
7. [7] 王凌，张冰，陈锡爱.基于计算机视觉的钢轨扣件螺母缺失检测系统 [J].计算机工程与设计，2011，32（12）：4147-4150.
8. [8] 白堂博，高嘉琳，杨建伟，等.基于改进Mask R-CNN的铁路扣件状态检测方法研究 [J].铁道建筑，2021，61（6）：140-143.
9. [9] 陈修忻.基于改进YOLOv5s算法的钢轨扣件状态检测方法 [J].城市轨道交通研究，2024，27（S1）：147-151.
10. [10] 周颖.基于深度学习的轨道扣件缺陷检测方法研究 [D].成都：四川大学，2021.

基金项目

大学生创新训练计划项目（2024DC07）；陕西省教育厅科研计划项目（23JK0531）

作者简介

狄嘉钰（2004—），女，汉族，陕西西安人，本科在读，研究方向：钢轨扣件异常缺失状况检测；通信作者：胡璐萍（1992—），女，汉族，陕西安康人，讲师，硕士研究生，研究方向：机器人视觉。