基于YOLO改进算法的轨道扣件状态检测研究

作者：王兵水^*; 郑树彬; 李立明; 钟倩文

来源：智能计算机与应用, 2020, 10(01): 137-143.

• YOLO
• 多尺度特征融合
• K-means聚类分析
• 数据增广

扣件作为固定钢轨和轨枕的器件,其状态的好坏直接影响着行车的安全。然而,目前国内主要采用人工巡检的方式,该方式效率低下,漏检率高,检测结果严重依赖巡检人员的技术熟练程度并且由于巡检设备拍摄的扣件目标较小,图像中扣件与背景区分度小。现提出一种改进的YOLO算法来实现对轨道扣件状态的检测,其核心思想以Darknet-53为基础网络,采用多尺度特征检测,通过特征通道赋权重来改善传统YOLO中小目标特征信息丢失问题,并结合K-means对数据集目标框进行聚类分析,以提高检测速度与准确率。对部分样本图像进行增广扩充数据集,使得数据集样本分布更均衡。实验结果表明,改进后的YOLO能够快速准确地识别出扣件状态,查全率达到95.2%,平均精度值达到96.7%。

• 单位
  上海工程技术大学