摘要：針對傳統(tǒng)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(wěn)性。如果不能及時發(fā)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(jiān)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(huán)境光線影響較大，難以實際部署應用?，F階段主要采用圖像檢測算法進行工業(yè)缺陷檢測，其具有成本低、檢測速度快、識別精度高等優(yōu)點，能夠在復雜環(huán)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(yè)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(tǒng)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(qū)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(qū)域（ROI） 提取和缺陷檢測兩個階段。

感興趣區(qū)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(qū)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(wěn)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(yōu)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??；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??；預測頭prediction，通過anchor機制計算目標損失并得到預測框。