崔曉寧，王起才,2 ，李 盛，代金鵬,2，梁柯鑫，李隆甫

(1.蘭州交通大學(xué) 土木工程學(xué)院，甘肅 蘭州 730070；2.道橋工程災(zāi)害防治技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，甘肅 蘭州 730070；3.中鐵上海設(shè)計(jì)院集團(tuán)有限公司， 上海 200070； 4.中建三局集團(tuán)有限公司，甘肅 蘭州 730000)

截至2020年底，我國(guó)高速鐵路運(yùn)營(yíng)里程達(dá)到3.79萬km，居世界第一，高速鐵路在服務(wù)經(jīng)濟(jì)建設(shè)和社會(huì)發(fā)展的過程中扮演著不可或缺的角色[1]。在高速鐵路的運(yùn)營(yíng)過程中，由于列車的動(dòng)荷載、地基不均勻沉降、外界溫度荷載等因素的影響，無砟軌道道床板及軌枕等構(gòu)件容易出現(xiàn)松動(dòng)、開裂，嚴(yán)重影響高速鐵路的安全運(yùn)營(yíng)[2-3]。因此，開展軌枕裂縫相關(guān)研究具有較高的科研價(jià)值與現(xiàn)實(shí)意義。

鑒于軌枕裂縫研究的重大意義，國(guó)內(nèi)外學(xué)者針對(duì)軌枕的裂縫進(jìn)行相關(guān)研究，也產(chǎn)出豐碩成果。曾志平等[4]基于太陽(yáng)能輻射及表面換熱理論，建立軌枕的溫度場(chǎng)數(shù)值模型，通過研究不同工況下的溫度場(chǎng)變換得到了最不利工況，研究成果為雙塊式軌枕的設(shè)計(jì)及養(yǎng)護(hù)提供了理論支撐。徐凌雁[5]分析雙塊式軌枕成段開裂機(jī)制，結(jié)合實(shí)際工程背景，提出針對(duì)雙塊式軌枕成段開裂的病害整治方案。郭潤(rùn)平等[6]利用三維光學(xué)應(yīng)變測(cè)量?jī)x和裂縫檢測(cè)儀觀察研究多孔火山巖骨料混凝土軌枕的疲勞裂縫發(fā)展規(guī)律，結(jié)果表明軌枕疲勞裂縫的擴(kuò)展速率與加載次數(shù)呈現(xiàn)明顯的非線性關(guān)系。文獻(xiàn)[7]基于斷裂力學(xué)研究B70預(yù)應(yīng)力混凝土軌枕的裂紋擴(kuò)展，研究結(jié)果表明：在確定裂紋擴(kuò)展參數(shù)KIC、裂紋長(zhǎng)度及CMOD情況下，預(yù)應(yīng)力混凝土軌枕的斷裂行為是可預(yù)測(cè)的。張景偉[8]基于西北地區(qū)的惡劣環(huán)境因素，分析了西北地區(qū)軌枕裂縫的形成原因，并總結(jié)了軌枕開裂寬度對(duì)裂縫內(nèi)部碳化程度的影響規(guī)律。以往的研究成果一般基于軌枕裂縫的產(chǎn)生機(jī)制和擴(kuò)展規(guī)律展開，然而由于外界荷載、溫度場(chǎng)、不均勻沉降的不間斷性與不可避免性，軌枕的裂縫也隨之不斷產(chǎn)生和發(fā)展，為保證高速鐵路的安全運(yùn)營(yíng)，需要對(duì)軌枕裂縫進(jìn)行損傷識(shí)別以便及時(shí)更換不能繼續(xù)正常工作的軌枕。因此，開展軌枕的裂縫目標(biāo)檢測(cè)對(duì)高速鐵路的安全運(yùn)營(yíng)具有很高的科研價(jià)值。

基于深度學(xué)習(xí)的結(jié)構(gòu)損傷智能識(shí)別是目前結(jié)構(gòu)健康監(jiān)測(cè)領(lǐng)域的重要研究課題。對(duì)于鐵路建筑而言，國(guó)內(nèi)外學(xué)者紛紛開展基于深度學(xué)習(xí)的鐵路損傷識(shí)別研究?？奂亩ㄆ诎踩珯z測(cè)對(duì)鐵路安全運(yùn)營(yíng)意義重大，為實(shí)現(xiàn)軌道扣件的智能安全檢測(cè)，文獻(xiàn)[9]建立多尺度深度檢測(cè)網(wǎng)絡(luò)(MSF-DDN)與區(qū)域多分類網(wǎng)絡(luò)，實(shí)現(xiàn)了鐵路扣件的智能異常檢測(cè)。文獻(xiàn)[10]基于Faster R-CNN目標(biāo)檢測(cè)模型實(shí)現(xiàn)了扣件的缺陷檢測(cè)。文獻(xiàn)[11]以日本高速鐵路線(東海道新干線)鋼筋混凝土鐵路高架橋的局部損傷為研究對(duì)象，建立全卷積神經(jīng)網(wǎng)路進(jìn)行結(jié)構(gòu)表面剝落的像素級(jí)語(yǔ)義分割，進(jìn)而實(shí)現(xiàn)高速鐵路建筑健康狀態(tài)的自動(dòng)化評(píng)估。鋼軌表面缺陷的嚴(yán)重程度關(guān)系鐵路安全運(yùn)營(yíng)，文獻(xiàn)[12]基于SqueezeNet和MobileNetV2的融合模型實(shí)現(xiàn)了對(duì)鋼軌表面缺陷的高精度智能檢測(cè)。文獻(xiàn)[13]為實(shí)現(xiàn)鐵路接觸網(wǎng)異常檢測(cè)，建立基于深度學(xué)習(xí)的改進(jìn)視網(wǎng)膜模型，提高了接觸網(wǎng)故障診斷的精度和效率。文獻(xiàn)[14]基于YOLO-v3和RetinaNet的遷移學(xué)習(xí)模型實(shí)現(xiàn)了軌道裂縫的損傷智能檢測(cè)。為解決裂縫圖像正負(fù)樣本不均衡的難點(diǎn)，文獻(xiàn)[15-16]在Unet語(yǔ)義分割模型上引入注意力機(jī)制進(jìn)行模型改良，并基于改良后的Unet模型進(jìn)行裂縫語(yǔ)義分割，得到較高的裂縫識(shí)別精度。

對(duì)于高速鐵路的發(fā)展，實(shí)現(xiàn)智能化是大勢(shì)所趨，人工智能技術(shù)在鐵路相關(guān)研究中也紛紛開展[10,13,17-18]。由于人工智能在土木工程領(lǐng)域的應(yīng)用尚處于發(fā)展階段，因此，深度學(xué)習(xí)技術(shù)對(duì)許多土木工程領(lǐng)域還未涉足，針對(duì)軌枕裂縫的目標(biāo)檢測(cè)，目前研究較少。本文采用先進(jìn)計(jì)算機(jī)視覺智能識(shí)別方法進(jìn)行軌枕裂縫的目標(biāo)檢測(cè)，將目前先進(jìn)的目標(biāo)檢測(cè)算法——YOLO-v5[19]應(yīng)用于研究較少的軌枕裂縫識(shí)別，并基于優(yōu)化后的YOLO-v5模型進(jìn)行高精度的軌枕裂縫檢測(cè)，在實(shí)現(xiàn)軌枕裂縫智能識(shí)別的同時(shí)也為計(jì)算機(jī)視覺技術(shù)在鐵路行業(yè)的應(yīng)用與發(fā)展提供一定參考。 目前目標(biāo)檢測(cè)算法的圖像邊界框多是目標(biāo)整體框選[10,17,20-21]，而裂縫圖像具有極強(qiáng)的正負(fù)樣本不均衡性，即需要關(guān)注的裂縫本身在圖像中占的像素點(diǎn)極少，不需要關(guān)注的圖像背景卻占整個(gè)圖像的絕大部分。如果裂縫圖像的標(biāo)注框太大，深度學(xué)習(xí)模型對(duì)于軌枕裂縫的識(shí)別結(jié)果欠佳；標(biāo)注框太小，則深度學(xué)習(xí)模型容易學(xué)習(xí)到裂縫圖像中的噪點(diǎn)和干擾。因此，本文通過試算采用適度密集標(biāo)注法制作軌枕裂縫數(shù)據(jù)集標(biāo)簽并取得較高的模型預(yù)測(cè)精度。

1 軌枕裂縫數(shù)據(jù)集

1.1 數(shù)據(jù)集簡(jiǎn)介

本文所用的雙塊式軌枕裂縫數(shù)據(jù)集來自“智創(chuàng)工程AI挑戰(zhàn)賽”。軌枕裂縫數(shù)據(jù)集總量為2 532張圖片，每張裂縫圖片的分辨率為1 400×1 200，裂縫數(shù)據(jù)集在不同光照、不同干擾條件下采集而得，可有效地提高目標(biāo)檢測(cè)模型的魯棒性。數(shù)據(jù)集按照6∶2∶2劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集用來訓(xùn)練擬合模型權(quán)重參數(shù)，驗(yàn)證集用來調(diào)整模型參數(shù)以便得到最優(yōu)模型，測(cè)試集則利用得到的最優(yōu)模型進(jìn)行最終輸出預(yù)測(cè)和評(píng)價(jià)。圖1呈現(xiàn)的是部分具有代表性的軌枕裂縫照片。

圖1 不同條件下軌枕裂縫展示

1.2 數(shù)據(jù)集標(biāo)注

本文所做的軌枕裂縫智能識(shí)別屬于有監(jiān)督學(xué)習(xí)的范疇。有監(jiān)督學(xué)習(xí)是將具有標(biāo)簽的數(shù)據(jù)集輸入深度學(xué)習(xí)模型，進(jìn)而使深度學(xué)習(xí)模型學(xué)習(xí)到數(shù)據(jù)集輸入與標(biāo)簽之間的映射，最后將得到的映射關(guān)系應(yīng)用到測(cè)試數(shù)據(jù)集上，以達(dá)到分類或回歸的目的。因此在利用深度學(xué)習(xí)算法對(duì)軌枕裂縫進(jìn)行智能識(shí)別之前，需要對(duì)數(shù)據(jù)集中的每一張軌枕裂縫進(jìn)行裂縫標(biāo)簽制作，本文采用的裂縫標(biāo)簽制作軟件為L(zhǎng)abelImg，其標(biāo)注過程如圖2所示。通過大量試算發(fā)現(xiàn)，軌枕裂縫標(biāo)注框不能過大或過?。簶?biāo)注框太大，深度學(xué)習(xí)模型對(duì)于軌枕裂縫的識(shí)別結(jié)果欠佳；標(biāo)注框太小，深度學(xué)習(xí)模型則容易學(xué)習(xí)到裂縫圖像中的噪點(diǎn)和干擾。因此，本文通過試算采用適度密集標(biāo)注法進(jìn)行軌枕裂縫的標(biāo)簽制作，為目標(biāo)檢測(cè)算法提供數(shù)據(jù)基礎(chǔ)。

圖2 LabelImg裂縫標(biāo)注過程

2 算法理論

2.1 目標(biāo)檢測(cè)算法

目標(biāo)檢測(cè)算法可分為兩大類：

(1)一階段目標(biāo)檢測(cè)。一階段目標(biāo)檢測(cè)算法可以一次性預(yù)測(cè)出目標(biāo)的類別和位置，這類算法具有識(shí)別速度快的特點(diǎn)，但是比兩階段目標(biāo)檢測(cè)算法的識(shí)別精度低，一階段目標(biāo)檢測(cè)代表算法有YOLO-v3[22]、SSD[23]等。

(2)兩階段目標(biāo)檢測(cè)。這類目標(biāo)檢測(cè)算法原理如下：首先，通過對(duì)輸入模型的圖像進(jìn)行選擇性搜索，進(jìn)而得到候選區(qū)域；其次，將生成的候選區(qū)域輸入卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行特征學(xué)習(xí)與提??；再次，通過全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類；最后，得到圖像的預(yù)測(cè)邊界框與置信度。兩階段目標(biāo)檢測(cè)具有精度高的特點(diǎn)，但識(shí)別速度較慢，兩階段目標(biāo)檢測(cè)代表算法有Faster-RCNN[24]、Spp-Net[25]等。YOLO系列算法經(jīng)過不斷的迭代更新，目前已經(jīng)更新出最新的YOLO-v5算法，YOLO-v5算法結(jié)合了目前目標(biāo)檢測(cè)算法領(lǐng)域的眾多先進(jìn)技術(shù)，如Mosaic數(shù)據(jù)增強(qiáng)技術(shù)、自適應(yīng)錨定框、空間金字塔池化、Head-YOLO等。通過結(jié)合以上先進(jìn)技術(shù)，YOLO-v5已成為目標(biāo)檢測(cè)領(lǐng)域性能最好的模型之一，尤其對(duì)于小目標(biāo)的檢測(cè)，YOLO-v5體現(xiàn)出了較高的適用性與精確度[26-27]，而軌枕裂縫也屬于小目標(biāo)的范疇，因此，本文基于YOLO-v5進(jìn)行軌枕裂縫的智能檢測(cè)。

2.2 YOLO目標(biāo)檢測(cè)算法原理

YOLO目標(biāo)檢測(cè)算法是將目標(biāo)檢測(cè)任務(wù)轉(zhuǎn)化為回歸與分類的綜合任務(wù)，其算法原理為：將輸入的整張圖片分割成S×S網(wǎng)格，對(duì)于每一個(gè)網(wǎng)格，模型都預(yù)測(cè)B個(gè)預(yù)測(cè)框，每個(gè)預(yù)測(cè)框包含了預(yù)測(cè)物的類別和置信度，進(jìn)而預(yù)測(cè)得到S×S×B個(gè)目標(biāo)檢測(cè)窗口，根據(jù)模型預(yù)先設(shè)定好的閾值，神經(jīng)網(wǎng)絡(luò)模型會(huì)先清除置信度比較低的目標(biāo)窗口，最后根據(jù)非極大值抑制算法篩除冗余窗口，即可得到最終的目標(biāo)檢測(cè)結(jié)果，該預(yù)測(cè)結(jié)果包含目標(biāo)物的類別與置信度，YOLO目標(biāo)檢測(cè)算法的原理示意如圖3所示。

圖3 YOLO算法目標(biāo)檢測(cè)原理示意

2.3 YOLO-v5算法結(jié)構(gòu)

軌枕裂縫目標(biāo)檢測(cè)任務(wù)的最終目的是用先進(jìn)的計(jì)算機(jī)視覺技術(shù)來代替?zhèn)鹘y(tǒng)的人工檢測(cè)，因此，裂縫的檢測(cè)算法最終要部署在移動(dòng)端進(jìn)行裂縫智能識(shí)別[21]，這就要求裂縫識(shí)別的模型滿足實(shí)時(shí)識(shí)別與檢測(cè)精度的要求，YOLO系列算法識(shí)別速度快，實(shí)時(shí)性強(qiáng)，目標(biāo)檢測(cè)識(shí)別精度高。這與軌枕裂縫的智能識(shí)別任務(wù)契合度較高，因此，本文采取YOLO-v5[13]算法作為軌枕的裂縫識(shí)別模型，YOLO-v5算法總體結(jié)構(gòu)如圖4所示。

從圖4可以看出：YOLO-v5算法結(jié)構(gòu)由四部分組成，分別為輸入端、主干網(wǎng)絡(luò)、瓶頸塊、預(yù)測(cè)。輸入端主要完成Mosaic數(shù)據(jù)增強(qiáng)和自適應(yīng)錨框計(jì)算；主干網(wǎng)絡(luò)結(jié)構(gòu)主要對(duì)圖片進(jìn)行特征提取，需要特別指出的是，F(xiàn)ocus算法塊首次出現(xiàn)在v5版本中，該算法塊用于對(duì)608×608×3的輸入圖片進(jìn)行切片和卷積，進(jìn)而得到304×304×32的特征圖；瓶頸塊結(jié)構(gòu)采用FPN+PAN網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)不同等級(jí)特征的融合；預(yù)測(cè)部分完成對(duì)輸入圖像的預(yù)測(cè)。YOLO-v5用到的算法塊運(yùn)算原理如圖5所示。

圖4中所示的YOLO-v5算法整體由圖5中的細(xì)部算法基本塊堆疊而成，圖5中的算法基本塊由以下單元組成：

圖4 YOLO-v5算法結(jié)構(gòu)

圖5 YOLO-v5細(xì)部算法塊

(1)ConV層，又稱卷積層，其作用是提取輸入圖像的特征信息。

(2)BN層，又稱批標(biāo)準(zhǔn)化層，其作用是對(duì)輸入進(jìn)行標(biāo)準(zhǔn)化處理，從而極大地抑制神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)的過擬合與梯度彌散問題。

(3)LeakyRelu激活函數(shù)，其作用主要為在神經(jīng)網(wǎng)絡(luò)模型中引入非線性因素，使神經(jīng)網(wǎng)絡(luò)模型可以執(zhí)行非線性任務(wù)。

(4)Concat層，又稱拼接層，其作用主要是將兩個(gè)及兩個(gè)以上的特征圖在通道維度進(jìn)行拼接，以實(shí)現(xiàn)不同層次的特征信息融合。

(5)Slice運(yùn)算，對(duì)輸入圖像進(jìn)行切片操作，使Focus模塊能在信息不丟失的情況下實(shí)現(xiàn)二倍下采樣。

(6)Maxpool層，又稱池化層，其作用是提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度且有效防止過擬合現(xiàn)象發(fā)生。

2.4 損失函數(shù)

根據(jù)YOLO-v5目標(biāo)檢測(cè)原理與算法結(jié)構(gòu)分析，YOLO-v5目標(biāo)檢測(cè)模型在得到最終的預(yù)測(cè)結(jié)果前，需要完成三個(gè)任務(wù)：目標(biāo)物的分類、目標(biāo)物預(yù)測(cè)框位置回歸、目標(biāo)物的置信度回歸預(yù)測(cè)。因此，基于以上三個(gè)任務(wù)，YOLO-v5目標(biāo)檢測(cè)任務(wù)用到三種損失函數(shù)，最終的損失函數(shù)為三者之和。

2.4.1 目標(biāo)分類損失函數(shù)

軌枕裂縫的目標(biāo)檢測(cè)模型的分類任務(wù)就是區(qū)分輸入圖片中的裂縫和背景，屬于二分類任務(wù)，因此，本文的目標(biāo)分類損失函數(shù)為BinaryCrossEntropy損失函數(shù)，其計(jì)算公式為[17]

L(f(x),y)=-[yln(f(x))+(1-y)ln(1-f(x))]

(1)

式中：f(x)為預(yù)測(cè)結(jié)果類別y的概率;y為預(yù)測(cè)的類別。

2.4.2 IoU、GIoU及CIoU原理

根據(jù)IoU、GIoU、CIoU三者的特點(diǎn)，同時(shí)結(jié)合軌枕裂縫目標(biāo)檢測(cè)的任務(wù)需要，對(duì)于預(yù)測(cè)框位置的回歸任務(wù)選用CIoU為損失函數(shù)，對(duì)于預(yù)測(cè)目標(biāo)置信度的回歸任務(wù)選用GIoU為損失函數(shù)。GIoU、CIoU均由IoU改良而來，三者的原理及特點(diǎn)如表1所示。

表1 IoU、GIoU及CIoU原理匯總

3 試驗(yàn)結(jié)果與討論

3.1 試驗(yàn)環(huán)境及超參數(shù)

軌枕裂縫的目標(biāo)檢測(cè)數(shù)據(jù)量較大，且數(shù)據(jù)格式為RGB圖像，因此，為加速YOLO-v5神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與收斂，使用GPU對(duì)模型計(jì)算進(jìn)行加速，YOLO-v5目標(biāo)檢測(cè)模型搭建與訓(xùn)練所需的操作環(huán)境和依賴庫(kù)如表2所示。

表2 計(jì)算機(jī)參數(shù)

軌枕裂縫目標(biāo)檢測(cè)超參數(shù)設(shè)置如下：本文YOLO-v5模型的初始學(xué)習(xí)率為0.001，學(xué)習(xí)率調(diào)整策略選取余弦退火算法[28]，優(yōu)化器選用Adam優(yōu)化器，圖像輸入批大小為16，通過Mosaic數(shù)據(jù)增強(qiáng)技術(shù)[29]對(duì)輸入的每一批次數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)處理，以便生成更多的訓(xùn)練樣本，提升模型的魯棒性和準(zhǔn)確率。

3.2 試驗(yàn)結(jié)果

圖6、圖7為模型的運(yùn)算過程曲線，由圖6可得：訓(xùn)練集正確率最終收斂于98.75%，驗(yàn)證集正確率收斂于98.36%，兩者的最終收斂值都較高且兩者非常接近，說明軌枕裂縫目標(biāo)檢測(cè)模型沒有發(fā)生過擬合或欠擬合現(xiàn)象，模型的目標(biāo)預(yù)測(cè)結(jié)果準(zhǔn)確可靠。由圖7可得：訓(xùn)練集的損失收斂速度較快，訓(xùn)練集的損失值提前收斂于0.12，驗(yàn)證集的損失收斂速度較慢，其損失值最終也收斂于0.12附近，兩者的損失最終收斂值基本一致，這也說明了本文的目標(biāo)檢測(cè)模型參數(shù)設(shè)置合理，預(yù)測(cè)結(jié)果準(zhǔn)確。

圖6 模型正確率曲線

圖7 模型損失函數(shù)曲線

3.3 目標(biāo)檢測(cè)評(píng)價(jià)

根據(jù)目標(biāo)真實(shí)標(biāo)注框和模型預(yù)測(cè)框的相對(duì)關(guān)系，目標(biāo)檢測(cè)模型的預(yù)測(cè)結(jié)果分為四種：真陽(yáng)性(TP)、假陽(yáng)性(FP)、真陰性(TN)、假陰性(FN)。為了評(píng)價(jià)模型裂縫檢測(cè)能力的優(yōu)劣，引入了模型的評(píng)價(jià)指標(biāo)：PA(目標(biāo)檢測(cè)正確率)、mAP(平均精度)和Recall(回調(diào))，在訓(xùn)練YOLO-v5目標(biāo)檢測(cè)模型的同時(shí)，YOLO-v2、YOLO-v3、Faster R-CNN等目標(biāo)檢測(cè)模型也在同一數(shù)據(jù)集上進(jìn)行訓(xùn)練，以便橫向比較采用YOLO-v5的目標(biāo)檢測(cè)效果。

(2)

(3)

(4)

(5)

式中：p為查總率；C為目標(biāo)檢測(cè)任務(wù)中的類別數(shù)量;k為圖片數(shù)目；N為圖片總數(shù)。

YOLO-v2、YOLO-v3、Faster R-CNN及YOLO-v5在軌枕裂縫數(shù)據(jù)集上的模型性能評(píng)價(jià)結(jié)果如表3所示。由表3可得：在軌枕裂縫的目標(biāo)檢測(cè)任務(wù)中YOLO-v5模型表現(xiàn)出良好的裂縫檢測(cè)能力，各項(xiàng)評(píng)價(jià)指標(biāo)都是最優(yōu)，其中PA為98.35%，mAP為48.72%，Recall為90.32%；在單張圖片平均識(shí)別時(shí)間方面，由于YOLO-v5算法模型較為復(fù)雜，模型參數(shù)較多，使得YOLO-v5模型的單張圖片處理時(shí)間為0.01 s，考慮YOLO-v5模型的裂縫監(jiān)測(cè)結(jié)果更準(zhǔn)確，運(yùn)算時(shí)間略長(zhǎng)在可接受范圍內(nèi)。

表3 目標(biāo)檢測(cè)模型評(píng)價(jià)分析

3.4 裂縫目標(biāo)檢測(cè)結(jié)果可視化

前文從模型訓(xùn)練過程的正確率與損失函數(shù)變化規(guī)律的角度分析，得出了模型參數(shù)設(shè)置合理、預(yù)測(cè)結(jié)果準(zhǔn)確的結(jié)論，本節(jié)將對(duì)軌枕裂縫目標(biāo)檢測(cè)模型的預(yù)測(cè)結(jié)果可視化，以更加直觀的方式展現(xiàn)YOLO-v5的裂縫目標(biāo)檢測(cè)結(jié)果。為體現(xiàn)模型的泛化能力和強(qiáng)魯棒性，選取不同條件下軌枕裂縫的智能識(shí)別結(jié)果進(jìn)行展示。軌枕裂縫可視化結(jié)果如圖8所示。

由圖8可得：對(duì)于正常光照、暗光線、微裂紋等不同條件下的原始裂縫圖片，YOLO-v5軌枕裂縫目標(biāo)檢測(cè)模型都預(yù)測(cè)出了準(zhǔn)確的目標(biāo)檢測(cè)框，這體現(xiàn)了YOLO-v5模型良好的泛化能力和魯棒性，同時(shí)模型的準(zhǔn)確預(yù)測(cè)結(jié)果可為實(shí)際鐵路工程的軌枕裂縫檢測(cè)與智能識(shí)別提供理論參考和算法支撐。在此需要特別說明的是：軌枕裂縫的目標(biāo)檢測(cè)置信度普遍不高，置信度最大為0.92，置信度最小為0.26，這一結(jié)果相較文獻(xiàn)[22,24,30]低。事實(shí)上出現(xiàn)這樣的結(jié)果是合理的，原因在于：本文YOLO-v5模型執(zhí)行的目標(biāo)檢測(cè)任務(wù)為軌枕裂縫識(shí)別，而裂縫本身狹長(zhǎng)，在整張圖片中所占像素點(diǎn)極少，圖片中模型不關(guān)注的背景反而占據(jù)絕大部分的像素點(diǎn)，造成裂縫圖像正負(fù)樣本極不均衡，裂縫檢測(cè)較為困難；本文所用的裂縫數(shù)據(jù)集存在光照差、裂縫不明顯、環(huán)境干擾較多等諸多問題，這些因素也會(huì)降低裂縫置信度的預(yù)測(cè)值。因此，本文的裂縫目標(biāo)檢測(cè)置信度較低。

圖8 軌枕裂縫智能識(shí)別結(jié)果

4 結(jié)論

基于YOLO-v5目標(biāo)檢測(cè)算法，建立了軌枕裂縫的目標(biāo)檢測(cè)模型，完成了軌枕裂縫的智能識(shí)別。主要結(jié)論如下：

(1) 將YOLO-v5目標(biāo)檢測(cè)模型應(yīng)用到雙塊式軌枕裂縫的智能識(shí)別中，通過數(shù)據(jù)集標(biāo)注、模型構(gòu)建、參數(shù)調(diào)整、模型訓(xùn)練和結(jié)果預(yù)測(cè)等步驟，實(shí)現(xiàn)了軌枕裂縫的高精度智能識(shí)別。

(2) 通過合理的參數(shù)選取與調(diào)試，YOLO-v5軌枕裂縫目標(biāo)檢測(cè)的訓(xùn)練集與驗(yàn)證集準(zhǔn)確率接近并各自收斂，模型沒有發(fā)生過擬合或欠擬合現(xiàn)象，模型目標(biāo)檢測(cè)正確率為98.35%，mAP值為48.72%，Recall值為90.32%，單張圖片識(shí)別速度為0.01 s，模型預(yù)測(cè)結(jié)果精確度高且裂縫實(shí)時(shí)識(shí)別性能良好。

(3) 對(duì)YOLO-v5軌枕裂縫目標(biāo)檢測(cè)模型在測(cè)試集上的預(yù)測(cè)結(jié)果進(jìn)行可視化，結(jié)果表明：針對(duì)正常光照、暗光線及微裂紋等不同條件下的裂縫圖像，YOLO-v5都能實(shí)現(xiàn)高精度的智能識(shí)別，YOLO-v5軌枕裂縫目標(biāo)檢測(cè)模型可滿足實(shí)際工程中復(fù)雜工況的要求。