文/王海軍 何艷 周豪 岳進

鐵路運輸是我國重要的公共運輸方式，保證鐵路軌道處于正常狀態(tài)是至關重要的。因此基于自建數據集，通過YOLOv5網絡模型實現對鐵路軌道的識別，實驗表明，YOLOv5對鐵路軌道檢測召回率達到94.4%，精確率達到62.7%，mAP達到93.1%。具有較好的檢測精度，同時也具有魯棒性。

1.引言

隨著我國經濟發(fā)展，鐵路已成為不可或缺的交通運輸方式，保證鐵路在運行過程中的安全問題已經成為目前關注的重點[1，2]。我國鐵路具有里程數長，所處環(huán)境復雜等特點。采用傳統(tǒng)的人工巡檢方式無法有效及時發(fā)現鐵路軌道中出現的故障信息，容易出現漏檢的現象。且人工巡檢依賴巡檢人員的經驗，耗費時間長，物資消耗大，已經無法適用于當前鐵路的發(fā)展需要[3]。目前采用智能化算法對鐵路的目標檢測成為當下的研究熱點。文獻[4]采用圖像處理技術對軌道板裂縫進行檢測，首先對圖像預處理，對圖像二值化和裂縫合并等操作實現對裂縫的定位。文獻[5]針對軌道扣件中拍攝環(huán)境和條件的干擾采用深度學習算法YOLO網絡對軌道圖像定位，基本上達到檢測實時性的要求。文獻[5]針對鋼軌的檢測魯棒性和精度較差的問題，采用Hu不變矩陣實現對軌道跟蹤，具有較好的魯棒性。本文采用深度學習算法YOLOv5實現對鐵路軌道的檢測與定位，通過對軌道圖像的標注訓練YOLOv5網絡，最終在測試集上測試軌道檢測定位效果。

2.YOLOv5網絡介紹

YOLOv5是YOLO（YouOnlyLookOnce）系列網絡的延續(xù)，是2020年由UltrayticsLLC公司提出的一種高性能目標檢測網絡，其權重文件相比于YOLOv4更小，速度更快[7，8]。其網絡結構如圖1所示。

圖1 YOLOv5網絡結構

在網絡輸入端通過對數據增強增加網絡的自適應能力，更有效地增加網絡對小目標的檢測精度。在網絡輸入之前需要將圖像尺寸固定，本文采用640×640×3的尺寸對圖像輸入，初始錨 框 采 用[10，13，16,30，33，23]，[30，61，62，45，59，119]，[116，90，156，198，373，326]。在骨干網絡部分包含有Focus操作，該操作可以將圖像切片為幾個部分的堆疊，如將640×640×3的圖像可以變?yōu)?20×320×12的特征圖，隨后對特征圖訓練學習目標特征信息。其中CBL操作由卷積層、歸一化層和Leakyrelu組成，是網絡中的基本單元。YOLOv5借鑒YOLOV4的思想，采用CSP結構。CSP1_x用于骨干網絡中，CSP2_x用于頸部網絡中使用。該結構可以增強網絡學習能力，降低計算成本同時也能保持網絡的輕量性。在網絡輸出端采用GIOU作為邊界框的損失函數，如公式（1）所示：

3.實驗及結果

本實驗在處理器為Intel(R)Core(TM)i3-8100CPU@3.60GHz，運行內存16G，顯卡為NVIDIA1070TI8G，Python3.7下進行。

3.1 圖像標注

使用開源軟件labelimg對采集圖像進行標注，該軟件支持Window系統(tǒng)和linux系統(tǒng)對圖像標注，如圖2所示，通過人工標注方法確定圖像中軌道所在位置信息，并將信息保存為xml格式。

圖2 labelimg標注

標注后的結果如圖3所示，在該XML文件中保存有圖像名稱、圖像格式、圖像所在位置、圖像尺寸和標注的軌道在圖像中x的最大最小值和y坐標下最大最小值。

圖3 標注信息

3.2 網絡訓練。網絡訓練階段設置學習率為0.01，衰減系數為0.0005，迭代次數為300次，動量為0.937。網絡評價指標有召回率（Recall）、精確率（Precision）和mAP。其公式如（2）（3）所示，其中TP代表預測為正類實際為正類的情況，FN代表實際為正類而預測為負類的情況。

采用tensorbox可以查看網絡訓練情況，本文以300epoch作為完整訓練周期。圖4為GIOU_Loss，從圖中可以看到初始訓練階段GIOU_Loss值較高，隨著訓練次數的增加GIOU_Loss不斷減小，當訓練次數達到250次時Loss值逐漸趨于穩(wěn)定，此時網絡模型訓練基本達到最優(yōu)，Loss值為0.01182，表明收斂效果較好，訓練完成。

圖4 GIOU_Loss

從圖5中可以看到在0~45次時網絡mAP處于一個增幅振蕩的狀態(tài)，說明網絡此時并不穩(wěn)定，需要繼續(xù)學習增強網絡的檢測精度。當迭代次數達到50次時，此時mAP開始趨于穩(wěn)定，并保持在1的附近。當訓練完成后mAP值為1，表明訓練效果顯著，能有效實現對鐵路軌道的目標檢測。圖6中(a)為訓練的精確率，（b）為訓練的召回率。從圖中明顯可以看到精確率在訓練初始階段處于振蕩上升過程，隨著次數的增加，精確率隨之變化較小，伴隨著輕微的振蕩，最終在200個訓練周期后趨于穩(wěn)定，穩(wěn)定后精確率保持在0.95附近，表明此時網絡模型收斂，具有最佳的精度。在(b)中的召回率中可以看到在前50次迭代中網絡振蕩較大，不夠穩(wěn)定。50次迭代后召回率趨于穩(wěn)定，并保持在1附近，說明YOLOv5網絡具有較好的召回率，能夠正確識別鐵路軌道。

圖5 訓練mAP

圖6 精確率與召回率

3.3YOLOv5測試結果

訓練完成后使用test.py文件對網絡模型進行測試。其實驗結果如表1所示，從表格中可以看到，網絡模型中YOLOv5的精確率為62.7%，召回率為94.4%，在IOU為0.5時mAP為93.1%，具有較高的檢測精度，可以滿足鐵路軌道檢測的要求。

表1 實驗結果

圖7為網絡識別結果，（a）為未經過圖像處理的鐵路軌道圖像，（b）為逆時針旋轉后的鐵路軌道圖像，（c）為順時針旋轉后的鐵路軌道圖像，（d）為圖像縮放后的軌道圖像。從圖像中可以看到無論是旋轉還是縮放，訓練后的模型都可以實現對圖像軌道的識別，表明模型檢測效果顯著，具有較好的魯棒性。

圖7 網絡識別結果

4.結論

本文采用YOLOv5模型對鐵路軌道進行識別，并介紹圖像的標注過程，展示訓練過程中召回率、精確率和mAP的變化曲線，表明網絡能較好用于鐵路中軌道的識別。在測試過程，對圖像翻轉與縮放處理網絡仍能較好地識別軌道，表明YOLOv5在鐵路軌道識別中具有一定的實用價值。C