基于深度学习的轨道表面缺陷检测

打开文本图片集

摘要 ：针对钢轨表面缺陷检测精度不足和速度缓慢的难题，提出一种基于改进的YOLOv5s钢轨表面缺陷检测算法。在此算法中，首先在YOLOv5s网络中Bacbone部分内嵌入CBAM注意力模块，它能够有效挖掘钢轨损伤的通道和空间特征信息;同时，采用轻量化的CARAFE模块取代原YOLOv5s网络中Neck部分的传统上采样模块，避免上采样过程中特征信息的丢失，生成更多的细节和平滑的边缘，有效增加模型的感受域，这些优化措施显著提升了模型对钢轨缺陷特征的捕捉力，进而增强了模型的检测精度;其次，通过将YOLOv5s中的CBL模块更换为更加高效的GSConv卷积模块，实现了计算成本的节约和检测速度的提升。（剩余12064字）