基于改進YOLOv5的機車輪對踏面缺陷檢測

摘要：針對傳統機車輪對踏面缺陷檢測方法難以準確、快速、有效地檢測出踏面缺陷的問題，文章提出了一種基于YO?LOv5算法的兩階段目標檢測模型。首先，對YOLOv5檢測網絡采用Ghost進行輕量化設計，并引入注意力機制以強化重要特征的表達能力，從而提高模型的檢測速度，降低模型復雜度。同時，精簡踏面提取特征融合網絡結構，改進原始先驗框以適配數據集。實驗結果表明：在踏面提取階段，算法僅損失0.26%精度的基礎上，檢測速度提高了43.4%；在缺陷檢測階段，檢測精度提高了1.72%，檢測速度提高了30.4%。改進后的模型算法復雜度顯著降低，具有一定的工程應用價值。

關鍵詞：計算機視覺；深度學習；YOLOv5；輪對踏面缺陷

中圖分類號：TP391.4 文獻標識碼：A

文章編號：1009-3044（2024）19-0014-03

0 引言

機車輪作為機車車輛的重要組成部分，起著支撐車體和導向的關鍵作用。車輪踏面在強烈的輪軌作用力下，容易產生包括車輪扁疤、踏面剝離擦傷在內的一系列踏面缺陷。這些缺陷會加劇車輛結構振動，影響列車運行的平穩性。如果不能及時發現處理，缺陷會進一步惡化，嚴重威脅列車的行車安全。因此，及時監測車輪踏面健康狀況對行車安全至關重要。

針對這一問題，國內外學者提出了一系列踏面缺陷檢測方法，主要包括：輪軌力檢測法、振動檢測法、超聲波檢測法以及圖像檢測法[1]。然而，這些方法或因成本高昂，或因受行車環境光線影響較大，難以實際部署應用。現階段主要采用圖像檢測算法進行工業缺陷檢測，其具有成本低、檢測速度快、識別精度高等優點，能夠在復雜環境中準確確定目標位置，具有良好的魯棒性。同時，該方法可以有效取代煩瑣的人工檢測，實現列車智能化運維。

國內外學者基于計算機視覺進行工業缺陷檢測也做了諸多研究。例如，侯濤等[2]使用改進Canny算子的傳統邊緣檢測算法對車輪踏面損傷進行邊緣檢測。何靜等[3]提出Canny-YOLOv3兩步檢測算法，首先運用Canny 邊緣檢測算法分割踏面區域，再采用YOLOv3算法進行踏面損傷檢測，提高了檢測精度和效率。

本文提出了一種基于改進YOLOv5算法的兩階段目標檢測神經網絡模型。該算法在ROI階段基于目標尺寸去除冗余的特征尺度，同時基于K-means對數據集聚類，選取適配度更高的錨框作為先驗框，使檢測模型更好地適應大目標檢測。此外，引入注意力機制，提高了模型的檢測速度。

1 踏面缺陷檢驗算法流程

為提高踏面損傷的檢測速度，本文提出一種基于YOLOv5的兩階段損傷檢測模型。踏面損傷檢測的過程分為感興趣區域（ROI） 提取和缺陷檢測兩個階段。

感興趣區域提取階段[4]：為滿足圖像目標檢測的準確性和及時性，首先需要對相機采集的圖像進行分割，提取出感興趣的踏面信息，以減少計算量和損傷誤檢。缺陷檢測階段[5]：將通過感興趣區域提取網絡獲得的踏面信息作為缺陷檢測階段的輸入，進行踏面缺陷檢測。由于踏面的缺陷大小多變且檢測目標不穩定，本研究在YOLOv5的基礎上改進得到負責多尺度目標檢測的缺陷檢測網絡，實現對踏面損傷的準確識別。

兩階段的檢測方式能夠提高檢測精度，但同時也成倍增加了模型的計算量。為了提高模型的檢測速度和項目實際部署的可行性，本文對模型進行了輕量化設計，使模型兼顧精度和速度。

2 YOLOv5 算法介紹

YOLOv5網絡作為單階段目標檢測模型，融合了之前YOLOv1～4系列模型的優點，并在此基礎之上做了相關改進，使模型的檢測速度和檢測精度有了巨大提升。YOLOv5s網絡是YOLOv5系列網絡中寬度和深度最小、最輕量化的網絡結構，擁有較快的檢測速度。YOLOv5具體網絡結構如圖1所示，其網絡結構主要包含以下部分：主干網絡backbone，負責圖像的特征提取；特征融合層neck，通過添加FPN+PAN特征金字塔結構融合不同尺度特征語義信息，加強特征提取；預測頭prediction，通過anchor機制計算目標損失并得到預測框。