通过StarNet和双向特征金字塔网络,实现高精度铁路轨道损坏检测的多规模适应性框架
Yanzhi Pang1, Xiang Wang2, Yang Tang3
1Guangxi Key Laboratory of International Join for China-ASEAN Comprehensive Transportation, Nanning University, Nanning, 530200, China. pangyanzhi@unn.edu.cn.
Scientific reports
|December 18, 2025
概括
一个新的SNBF-YOLO模型使用Star Net和BiFPN模块增强了铁路轨道缺陷检测. 这提高了更安全的运输系统的准确性和效率.
科学领域:
- 工程 工程师 工程师 工程师
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 铁路轨道的完整性对于运输安全至关重要.
- 手动检查方法效率低下,容易出现错误.
- 现有的深度学习模型面临着小目标,复杂背景和多层次缺陷的挑战.
研究的目的:
- 开发一个改进的深度学习框架,以准确检测铁路轨道损坏.
- 增强特征表示和多尺度特征融合,以更好地识别缺陷.
主要方法:
- 拟议的SNBF-YOLO框架整合了星网和BiFPN模块.
- 星网通过自适应地扩大受体场来增强特征表示.
- BiFPN优化了双向的多尺度特征融合.
主要成果:
- 与YOLOv10n.相比,SNBF-YOLO的精度提高了19.4%,召回提高了13.2%,mAP提高了14.3%.
- 实现了更高的稳定性和计算效率,用于实时检测.
- 成功检测到微小的裂和缺失的紧固件.
结论:
- SNBF-YOLO框架为铁路轨道缺陷检测提供了一个强大而高效的解决方案.
- 进一步的研究应侧重于数据集扩展和轻量化部署,以获得更广泛的适用性.
- 该模型显示了通过先进的人工智能提高铁路安全的前景.