针对钢轨探伤普遍存在的判伤时间长、漏报率高等问题,提出一种改进的YOLO V3算法.首先对YOLO V3网络结构进行改进,包括增加极小尺度检测层、添加SPP模块和SE模块等,然后对B显图像数据进行数据增强和杂波滤除处理,采用K-means聚类算法对数据集中的边界框进行聚类分析,获得12个先验框;其次对改进的YOLO V3网络进行参数调整,使用B显图像数据集对改进YOLO V3模型进行训练,最终实现对B显图像中的核伤、轨底伤损、表面伤损、异常螺孔四类异常数据集和断面、接头、螺孔、焊缝四类正常数据集的定位和识别功能.试验对17601张B显图片进行检测.结果表明,提出的钢轨伤损识别模型的平均精度为92.3％,检测速度达到44 ms/张,能够较为准确快速地检测钢轨伤损.

钢轨伤损;目标检测;YOLO V3;深度学习;卷积神经网络

西南交通大学 土木工程学院,四川 成都 610031;西南交通大学 高速铁路线路工程教育部重点实验室,四川 成都 610031;上海市东方海事工程技术有限公司,上海 200011

[1]何庆;陈正兴;王启航;王晓明;王平;余天乐-.基于改进YOLO V3的钢轨伤损B显图像识别研究)[J].铁道学报,2022(12):82-88

伤损识别

YOLO,V3,钢轨伤损,图像识别,探伤,漏报率,极小,小尺度检测层,SPP,SE,数据增强,杂波滤除,means,聚类算法,边界框,先验框,参数调整,图像数据集,螺孔,四类,异常数据,接头,焊缝,识别功能,识别模型,检测速度,ms,准确快速,目标检测

0.342956