基于改進YOLOv5s的SAR影像鐵道檢測技術研究

中圖分類號：TP391 文獻標志碼：A 文章編號：2095-2945（2025）13-0050-05

Abstract：Gaofen-SARsatelitesforrailroadinspectionhavetheadvantagesofwidecoverage，all-weatherandmetal sensitivity，butneedtosolvetheproblemofinstantdetectionofrlwaytargets.Forthisreasonanimprovedmodelcalled Lightweight-YOLOv5sisproposedbasedonYOLOv5s，whichisespeciallysuitablefordetectionofrailroadtargetsinSARimage. ByreducingtheMobile-Darknetbackbonefeatureextractionnetwork layers，weoptimizedthenetworkstructure；byaddingHDC andCBMmechanisms，weadjustedthesmalltargetsensoryfieldweightsandstrengthenthesmalltargetlinefacilityfeature extraction;byusing FPGMpruning，weeliminatedtheredundantfeaturemodulesandachievealightweightmodel;byusing VarifocalLossasthelossfunction，weequalizedthepositiveandnegativecategoriesandhighlightthecontributionofpositive examples.The results show that，the accuracy of Lightweight-YOLOv5s model achieves 9 7 . 6 % ，and the inference time reduces to 6.87ms.Comparedwiththeclasicalalgorithmsfordetectinglineartargetsinremotesensingimages，theperformanceisgreatly improved for instant detection of railroad targets.

Keywords： SAR; railroad inspection; rail target detection; YOLOv5s; lightweight network

鐵道線路覆蓋范圍廣、距離長，所處地區(qū)地形、地貌條件復雜多樣，尤其是氣候及地質條件復雜的山區(qū)，地震、洪水、泥石流等自然災害易發(fā)，會嚴重威脅鐵路系統安全穩(wěn)定運行，需要即時準確地監(jiān)測鐵路所處環(huán)境情況，才能有效保障鐵路安全。傳統的鐵路監(jiān)測手段如人工巡檢、在線監(jiān)測等監(jiān)測范圍有限且同樣受災害制約，無人機和光學衛(wèi)星遙感易受天氣影響[-3]。鐵道線路設施的主要材料是金屬，對電磁波有較強的后向散射，在SAR影像中的特征較為明顯，為其識別與定位提供了基礎。隨著高分辨極化SAR影像在鐵路設施遙感監(jiān)測和應急減災的應用越來越廣泛，大范圍、高分辨SAR影像的處理準確度及速度要求越來越高，如何快速從極化SAR影像中提取鐵道自標就成了遙感影像處理方法研究與應用的熱點[4-5]。

基于深度學習理論的目標檢測模型已廣泛應用于SAR影像的目標識別、分割分類研究中。YOLOv3、FasterRCNN、Mask-RCNN[6-8等目標檢測算法具有檢測精度高、檢測效果優(yōu)異的優(yōu)點，但由于雙階段算法將候選區(qū)域的生成與目標分類分開，導致其計算量大、檢測速度慢。以YOLOv5為代表的單階段目標檢測算法因其檢測速度快、實時性高、移植簡便等優(yōu)勢得以廣泛應用。針對SAR影像特定目標樣本數據稀疏問題，有學者提出基于卷積神經網絡仿真SAR影像遷移學習的目標識別方法，將預訓練模型得到的網絡參數遷移到自標模型上作為自標模型的初始化參數，有效解決了SAR影像數據不足所產生的過擬合問題。由于鐵路設施鋪設范圍廣、跨度大，造成SAR影像中的各種地質及基礎設施特征復雜，需要進一步提高基于SAR影像的鐵道目標檢測模型精度和效率[0]。

本文提出了一種面向SAR影像鐵道目標輕量化檢測網絡模型Lightweight-YOLOv5s。針對鐵道線路狹長目標像素數占比少、不易識別的問題，設計重構網絡結構，加人融合空間與通道注意力機制和空洞卷積的特征增強提取網絡，并調整感受野權重，加強小目標線路設施特征提取；通過剪枝對網絡模型進行寬度的調整，使用VarifocalLoss作為損失函數，提高模型精度。

1改進的Lightweight-YOLOv5s網絡模型

針對SAR圖像中的鐵道小尺度目標與網絡層深度特征損失的矛盾，改進YOLOv5s網絡，在主干網絡骨架基礎上，去掉過深的卷積層，只保留4個殘差模塊，將下采樣倍數由32調整為16，在減少小目標信息損失的同時降低了參數量，提高網絡的推理速度，并將輸出預測層進行前向移動，以充分利用保留的更多小目標信息的淺層特征進行預測，形成以Mobile-Darknet為主干特征提取骨架的改進后的Lightweight-YOLOv5s，網絡模型整體結構如圖1所示。

針對SAR高分辨圖像中鐵道線路設施目標相對周圍地質特征尺度較小的特點，加人卷積注意力機制模塊（Convolutional Block Attention Module，CBAM）和空洞空間金字塔池化模塊（AtrousSpatialPyramidPooling，ASPP）結合的特征增強提取網絡，調整小目標感受野權重，加強小目標線路設施特征提取，通過不斷地進行下采樣可以得到圖片更深層次的語義信息，進而完成特征提取任務，為后續(xù)的分類及回歸奠定基礎；為剔除特征融合網絡架構中的冗余特征模塊，采用幾何中值濾波器剪枝（Filter Pruningvia Ge-omet-ricMedian，FPGM）方法調整網絡模型寬度，采用改進的VarifocalLoss作為損失函數，均衡正負類別損失函數影響，突出正例的貢獻。對提取的鐵路SAR影像中像素點進行曲線擬合和濾波整正，最終可得到平順連續(xù)的鐵道線路檢測結果。

1.1CBAM與ASPP結合的特征增強提取網絡

為了讓模型更多地關注真實目標存在的區(qū)域，學習到更多有意義的特征，結合SAR遙感影像的特性，設計引入結合了通道與空間的注意力機制的CBAM。通過學習的方式分配權重，加強感興趣區(qū)域的特征提取，將依次經過通道注意力模塊（Channel Attention Mod-ule，CAM）與空間注意力模塊（SpatialAttentionModule，SAM）之后重新標定的權重賦予原始特征圖，可降低目標的漏檢率及誤檢率。CBAM模塊結構如圖2所示。

由于遙感SAR影像視野廣大，檢測背景復雜，池化操作可能導致特征圖中小目標丟失，在后續(xù)的上采樣操作中目標信息無法復原，從而限制了檢測精度的提升。因此，在小自標特征圖處理中，增加混合空洞卷積（HybridDialatedConvolution，HDC），使用原始大小為 3×3 的卷積核，將空間金字塔池化中的池化操作用空洞卷積替代，可以在分辨率不丟失的情況下增大感受野，減少信息損失，提高分割性能，并消除普通空洞卷積引起的柵格效應。

HDC的約束條件公式為

（1）式中： 是第 i 層2個非零元素之間的最大距離， 是n 組空洞率 中第 i 位的膨脹系數。 要求 為卷積核大小，設計為3，且 n 組空洞率的公因子應為1。

融合混合空洞卷積的ASPP結構如圖3所示，設計三層卷積，空洞卷積的空洞率分別為1、3、8，空洞率為8的卷積層對應感受野為 1 7 × 1 7 個像素，對輸入的5 1 2 × 5 1 2 圖像16倍下采樣的高維特征圖長、寬為 3 2 × 32個像素，占比過半可實現有效特征提取，卷積并聯操作后與輸入特征圖進行通道堆疊構成空洞空間卷積金字塔結構，增強模型的特征感受，提高特征提取能力。

1.2 FPGM剪枝

為提高模型計算效率，本文采用FPGM來進行網絡的軟剪枝，以減小模型規(guī)模。該方法突破基于范數的剪枝局限性，在保留豐富的有效信息特征同時裁剪掉冗余信息]。FPGM剪枝算法核心思想，首先是計算每個點相較于其他點的歐氏距離

式中： x 為輸人數據， 代表第 i 層歐氏空間的點。然后選出相對較近的歐氏距離之和濾波器，以剔除其中的最近距離點

在計算第 i 層所有濾波器的公共距離時，采取幾何中值的計算方式。每一個卷積核參數維度可表示為 。 K 為卷積核大小， 和 分別表示第i 個卷積層的輸入通道數和輸出通道數。

按距幾何中值中心距離的遠近進行剪枝，尋找距離幾何中心較近的濾波器

進一步計算出距離之和最小的濾波器

式中： 為第 i 個卷積層的第 個濾波器， 為實數空間內各點歐式距離最小的 為到各點距離和最小的幾何中心。通過不斷迭代歐氏距離之和小的濾波器梯度置零，實現訓練模型收斂，得到剪枝后模型。在推理過程中進行去零操作，去掉全零的卷積核、冗余通道和BN層冗余參數。此過程，避免了求解幾何中心的大量計算工作，僅需計算濾波器之間的距離，實現了剪枝后模型的計算效率優(yōu)化。

1.3 VarifocalLoss損失函數

在SAR影像中進行線路設施目標檢測時，由于線路設施像素少，且分布較為稀疏，使用局部損失函數如下。

式中：目標類的預測概率為 p ，取值范圍為[-1，1]；真實正負樣本類別為 y ，取值為1或-1;設計目標和背景兩類調制因子分別為 和 為可調比例因子。通過因子調節(jié)，可增加對稀疏樣本和誤檢樣本的損失評估權重，使得局部損失函數能夠使用加權方法解決IoU感知分類得分的回歸訓練時類別不均衡問題。

為進一步增加正樣本的貢獻重要度，基于局部損失函數改進為VarifocalLoss損失函數如下，采用 因子對負樣本進行處理，即基于二元交叉熵損失，借鑒局部損失函數加權方式處理IoU感知分類得分的訓練回歸過程中類別不匹配問題。

式中：IoU感知分類得分預測值為 p ，代表目標分數；分類條件為 q ，將背景類別的 q 值均設置0，將目標類的正樣本 q 值設置為預選框和groundtruth（gt_IoU）之間的IoU值，負樣本 q 值設置為 0 。

2 實驗

2.1實驗環(huán)境及數據集

本節(jié)所有模型的訓練及評估實驗均在PyTorch框架中實現，CPU為CoreInteli9-9900K，GPU為GeForceRTX3080，使用python3.7進行編程。為驗證本文算法的目標檢測效果，基于MSAR10數據集進行樣本篩選和預訓練2，并結合實際采集鐵道線路數據進行調優(yōu)。通過圖像拉伸，旋轉等進行樣本擴增，形成涵蓋山區(qū)、平原及多種分辨率的研究所用數據集影像樣本1000個，按照7：2：1的比例隨機劃分為訓練集、驗證集和測試集。

2.2 評價指標

評價目標檢測算法的指標有準確率 P （preci-sion）召回率R（recall）、平均準確率 m A P （mean Av-

erage Precision，mAP）[1l-12]。其中， P 是預測為正且實際為正的樣本所占比例； R 為正樣本中被正確檢測所占比例； m A P 為所有類別準確率的均值，計算公式如下

式中： T P （TruePositive）為檢測結果為真的正樣本； F N （FalseNegative）為檢測結果非真的正樣本； F P （FalsePositive）為檢測結果為真的負樣本； A P 是單個類別的準確率。 c 為類別數。

2.3 VarifocalLoss損失函數

在驗證集中隨機選擇圖片進行結果驗證，所選圖片中包含不同范圍及地貌特征中的不同類型線路設施目標。圖4可以看出，提出的改進模型可準確識別不同地貌特征中的線路目標，盡管SAR影像中的線路目標較小，利用改進網絡中的目標特征提取與小目標注意力機制，仍然可以較好地實現目標檢測。

為驗證模型中各種改進機制在SAR影像線路設施檢測的有效性，進行消融實驗，結果見表1。結果表明，Lightweight-YOLOv5s模型經網絡重構、VarifocalLoss優(yōu)化后均對檢測精度提升有正向作用，同時，準確率和召回率也有提高。

將Lightweight-YOLOv5s與FasterR-CNN、YOLOv3、YOLOv5s算法進行性能對照實驗，結果見表2。

在考慮最高精度時，本文提出的模型平均精度可提高至 9 7 . 6 % ，與各經典算法相比，平均精度分別提高了 1 3 % ， 6 . 4 % ， 2 . 5 % ；且模型體積僅5MB，推理時間6 . 8 7 m s 。

3結束語

及時準確地監(jiān)測鐵道線路的運轉狀態(tài)及其周圍地域的情況，為應急搶險和災情評估提供準確全面的數據信息，是保障鐵路安全穩(wěn)定運行，避免突發(fā)性災害對鐵路系統造成重大危害，降低經濟損失的關鍵。本文提出的鐵道目標輕量化檢測模型Lightweight-YOLOv5s，主要從網絡改進及輕量化處理展開，網絡重構后模型體積、計算速度和檢測精度均有改善。后續(xù)，通過樣本庫建設、模型遷移等工作，可進一步研究解決鐵道線路檢測不完全的問題，提升檢測技術對多類型SAR影像的泛化能力。

參考文獻：

[1]鄭佳怡，馮楠，田超.基于空天地遙感技術的鐵路外部環(huán)境安全隱患監(jiān)測與管理研究[J].科技創(chuàng)新與應用，2024，14（22）：141-144.

[2]DEREN L，MI W，JIE J.China's high-resolution opticalremote sensing satellites and their mapping applications[J].Geo-spatial Information Science，2021，24（1）：1-10.

[3]楊懷志，秦勇，王志鵬.基于無人機遙感圖像的鐵路軌道區(qū)域分割提取方法研究[J].鐵道技術標準（中英文），2021，3（9）：6-12.

[4]姚京川，郭繼亮，簡國輝，等.基于TSInSAR技術的鐵路線路沉降監(jiān)測[J].中國鐵路，2022（7）：53-58.

[5]楊鶴猛，孟秀軍，陳艷芳，等.極化SAR影像地物智能分類技術進展[J].電子技術應用，2022，48（8）：34-37，94.

[6]蔣忠進，王強，曾祥書.一種基于改進YOLOv3網絡的SAR圖像目標檢測方法[J].現代雷達，2023，45（2）：31-38.

[7]REN S，HE K，GIRSHICK R，et al.Faster r-cnn：To-wards real-time object detection with region proposal net-works[J].IEEE Transactions on Pattern Analysis amp; MachineIntelligence，2017，39（6）：1137-1149.

[8] HE K，GKIOXARI G，DOLLAR P，et al.[C]//Mask r-cnn.Proceedings of the IEEE international conference on com-putervision（ICCV）.2017：2961-2969.

[9]羅荔豪，歐鷗，趙偉，等.基于改進YOLOv5s的水果圖像識別[J].信息技術，2023（11）：28-34，40.

[10]袁慕策，姚京川，簡國輝，等.基于綜合衛(wèi)星遙感的典型鐵路設施提取方法研究[J].航天返回與遙感，2024，45（1）：29-40.

[11]王恒濤，張上.輕量化SAR圖像艦船目標檢測算法[J].電光與控制，2023，30（5）：99-104，110.

[12]趙志成，蔣攀，王福田，等.基于深度學習的SAR弱小目標檢測研究進展[J].計算機系統應用，2024，33（6）：1-15.