【论文阅读】Railway rutting defects detection based on improved RT‑DETR

Railway rutting defects detection based on improved RT‑DETR

发表期刊：Journal of Real-Time Image Processing；发表时间：2024；
论文地址

摘要

铁路道岔是轨道系统的关键部件，其缺陷会导致严重的安全事故和重大的财产损失。铁路道岔缺陷分布不均匀、大小不一，再加上环境照明的变化和复杂的背景，对传统的检测方法提出了挑战，往往导致检测精度低、实时性差。针对提高道岔缺陷检测性能的问题，提出了一种基于RT-DETR体系结构的高精度识别模型FRICH-HILO-BiFPN-DETR(FHB-DETR)。首先，设计了基于FASTER BLOCK的faster CGLU模块，通过局部卷积和门控机制优化了局部和全局特征信息的聚合。该方法在提高特征提取能力的同时，减少了计算量和参数个数。其次，我们用HALO注意取代了多头注意机制，减少了参数数和计算量，提高了实时性。在特征融合方面，我们使用BiFPN代替CCFF来更好地捕捉细微缺陷特征，并通过加权机制优化了特征映射的权重。实验结果表明，与RTDETR相比，FHB-DETR在保持较高帧率的同时，mAP50提高了3.5%，参数个数减少了25%，计算复杂度降低了6%，满足了实时性能要求。

引言

铁路作为现代国民经济的重要基础设施，是公众的主要交通方式。在我国铁路系统中，道岔作为列车进路切换的关键部件，起着至关重要的作用。随着铁路运输里程的增加，道岔在使用过程中不可避免地会产生切屑、开裂、磨损等各种缺陷。如果这些缺陷得不到及时发现和解决，就会对列车运行安全和乘客生命财产安全构成重大威胁。因此，有必要对道岔缺陷进行及时、准确的检测和识别，以确保铁路运营安全。目前，人工检测仍然是缺陷检测的主要方法，但耗时、效率低、成本高，难以满足高频、高精度的检测要求。因此，迫切需要一种高效的铁路缺陷检测算法来提高铁路的安全性，实现轨道检测的自动化，缩短检测时间，降低维修成本，减轻工人的劳动强度。该检测系统可以利用图像处理、计算机视觉、机器学习和高速高分辨率摄像机等成熟的技术来实现对道岔缺陷的高效识别和检测。引进这些先进的道岔缺陷检测技术不仅是必要的，而且在技术上也是可行的。这将为铁路运输安全运行提供坚实支撑，推动铁路维修技术向自动化、智能化迈进。
…

然而，值得注意的是，铁路道岔缺陷不同于其他铁路部件缺陷。上述因素，即不均匀的分布、不同的大小、不断变化的环境光照和复杂的背景，使得特征提取过程具有挑战性，并且容易被错误检测。特别是，当重载列车通过道岔时，这种缺陷对铁路安全的影响明显增强。因此，实现道岔缺陷的准确识别和定位是确保铁路安全的当务之急。此外，现有的大多数目标检测数据集(Microsoft Coco)和模型(YOLO系列)主要是为一般目标检测任务设计的，而不是特定的