摘要：針對(duì)傳統(tǒng)機(jī)車輪對(duì)踏面缺陷檢測(cè)方法難以準(zhǔn)確、快速、有效地檢測(cè)出踏面缺陷的問題，文章提出了一種基于YO?LOv5算法的兩階段目標(biāo)檢測(cè)模型。首先，對(duì)YOLOv5檢測(cè)網(wǎng)絡(luò)采用Ghost進(jìn)行輕量化設(shè)計(jì)，并引入注意力機(jī)制以強(qiáng)化重要特征的表達(dá)能力，從而提高模型的檢測(cè)速度，降低模型復(fù)雜度。同時(shí)，精簡(jiǎn)踏面提取特征融合網(wǎng)絡(luò)結(jié)構(gòu)，改進(jìn)原始先驗(yàn)框以適配數(shù)據(jù)集。實(shí)驗(yàn)結(jié)果表明：在踏面提取階段，算法僅損失0.26%精度的基礎(chǔ)上，檢測(cè)速度提高了43.4%；在缺陷檢測(cè)階段，檢測(cè)精度提高了1.72%，檢測(cè)速度提高了30.4%。改進(jìn)后的模型算法復(fù)雜度顯著降低，具有一定的工程應(yīng)用價(jià)值。

關(guān)鍵詞：計(jì)算機(jī)視覺；深度學(xué)習(xí)；YOLOv5；輪對(duì)踏面缺陷

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）19-0014-03

0 引言

機(jī)車輪作為機(jī)車車輛的重要組成部分，起著支撐車體和導(dǎo)向的關(guān)鍵作用。車輪踏面在強(qiáng)烈的輪軌作用力下，容易產(chǎn)生包括車輪扁疤、踏面剝離擦傷在內(nèi)的一系列踏面缺陷。這些缺陷會(huì)加劇車輛結(jié)構(gòu)振動(dòng)，影響列車運(yùn)行的平穩(wěn)性。如果不能及時(shí)發(fā)現(xiàn)處理，缺陷會(huì)進(jìn)一步惡化，嚴(yán)重威脅列車的行車安全。因此，及時(shí)監(jiān)測(cè)車輪踏面健康狀況對(duì)行車安全至關(guān)重要。

針對(duì)這一問題，國內(nèi)外學(xué)者提出了一系列踏面缺陷檢測(cè)方法，主要包括：輪軌力檢測(cè)法、振動(dòng)檢測(cè)法、超聲波檢測(cè)法以及圖像檢測(cè)法[1]。然而，這些方法或因成本高昂，或因受行車環(huán)境光線影響較大，難以實(shí)際部署應(yīng)用。現(xiàn)階段主要采用圖像檢測(cè)算法進(jìn)行工業(yè)缺陷檢測(cè)，其具有成本低、檢測(cè)速度快、識(shí)別精度高等優(yōu)點(diǎn)，能夠在復(fù)雜環(huán)境中準(zhǔn)確確定目標(biāo)位置，具有良好的魯棒性。同時(shí)，該方法可以有效取代煩瑣的人工檢測(cè)，實(shí)現(xiàn)列車智能化運(yùn)維。

國內(nèi)外學(xué)者基于計(jì)算機(jī)視覺進(jìn)行工業(yè)缺陷檢測(cè)也做了諸多研究。例如，侯濤等[2]使用改進(jìn)Canny算子的傳統(tǒng)邊緣檢測(cè)算法對(duì)車輪踏面損傷進(jìn)行邊緣檢測(cè)。何靜等[3]提出Canny-YOLOv3兩步檢測(cè)算法，首先運(yùn)用Canny 邊緣檢測(cè)算法分割踏面區(qū)域，再采用YOLOv3算法進(jìn)行踏面損傷檢測(cè)，提高了檢測(cè)精度和效率。

本文提出了一種基于改進(jìn)YOLOv5算法的兩階段目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)模型。該算法在ROI階段基于目標(biāo)尺寸去除冗余的特征尺度，同時(shí)基于K-means對(duì)數(shù)據(jù)集聚類，選取適配度更高的錨框作為先驗(yàn)框，使檢測(cè)模型更好地適應(yīng)大目標(biāo)檢測(cè)。此外，引入注意力機(jī)制，提高了模型的檢測(cè)速度。

1 踏面缺陷檢驗(yàn)算法流程

為提高踏面損傷的檢測(cè)速度，本文提出一種基于YOLOv5的兩階段損傷檢測(cè)模型。踏面損傷檢測(cè)的過程分為感興趣區(qū)域（ROI） 提取和缺陷檢測(cè)兩個(gè)階段。

感興趣區(qū)域提取階段[4]：為滿足圖像目標(biāo)檢測(cè)的準(zhǔn)確性和及時(shí)性，首先需要對(duì)相機(jī)采集的圖像進(jìn)行分割，提取出感興趣的踏面信息，以減少計(jì)算量和損傷誤檢。缺陷檢測(cè)階段[5]：將通過感興趣區(qū)域提取網(wǎng)絡(luò)獲得的踏面信息作為缺陷檢測(cè)階段的輸入，進(jìn)行踏面缺陷檢測(cè)。由于踏面的缺陷大小多變且檢測(cè)目標(biāo)不穩(wěn)定，本研究在YOLOv5的基礎(chǔ)上改進(jìn)得到負(fù)責(zé)多尺度目標(biāo)檢測(cè)的缺陷檢測(cè)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)踏面損傷的準(zhǔn)確識(shí)別。

兩階段的檢測(cè)方式能夠提高檢測(cè)精度，但同時(shí)也成倍增加了模型的計(jì)算量。為了提高模型的檢測(cè)速度和項(xiàng)目實(shí)際部署的可行性，本文對(duì)模型進(jìn)行了輕量化設(shè)計(jì)，使模型兼顧精度和速度。

2 YOLOv5 算法介紹

YOLOv5網(wǎng)絡(luò)作為單階段目標(biāo)檢測(cè)模型，融合了之前YOLOv1～4系列模型的優(yōu)點(diǎn)，并在此基礎(chǔ)之上做了相關(guān)改進(jìn)，使模型的檢測(cè)速度和檢測(cè)精度有了巨大提升。YOLOv5s網(wǎng)絡(luò)是YOLOv5系列網(wǎng)絡(luò)中寬度和深度最小、最輕量化的網(wǎng)絡(luò)結(jié)構(gòu)，擁有較快的檢測(cè)速度。YOLOv5具體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，其網(wǎng)絡(luò)結(jié)構(gòu)主要包含以下部分：主干網(wǎng)絡(luò)backbone，負(fù)責(zé)圖像的特征提??；特征融合層neck，通過添加FPN+PAN特征金字塔結(jié)構(gòu)融合不同尺度特征語義信息，加強(qiáng)特征提??；預(yù)測(cè)頭prediction，通過anchor機(jī)制計(jì)算目標(biāo)損失并得到預(yù)測(cè)框。