第63卷第7期2023年7月铁道建筑RailwayEngineeringVol.63No.7July2023文章编号：1003‐1995（2023）07‐0034‐06基于改进YOLOX的轻量级钢轨表面缺陷检测算法杨佳佳1，2许贵阳1，2白堂博1，21.北京建筑大学机电与车辆工程学院，北京100044；2.北京建筑大学城市轨道交通车辆服役性能保障北京市重点实验室，北京100044摘要针对现有基于深度学习的钢轨表面缺陷检测方法在嵌入式检测系统上兼容性较差、计算资源占用高以及检测速度慢的问题，提出了一种基于改进YOLOX的轻量级钢轨表面缺陷检测算法。模型中主干特征层以MobileNetv3单元为基础，在保留其网络轻量化的同时进行局部优化，改进了浅层网络的激活函数，嵌入了SE（SqueezeandExcitation）注意力机制；在加强特征层优化了尾部的冗余卷积。通过与几种代表性算法进行对比试验，验证该算法的性能。结果表明：本文提出的改进算法在模型参数量仅为1.10×106的情况下，检出率和准确率分别达到了92.17%和90.92%，每秒传输帧数（FramePerSecond，FPS）为115.07，模型大小仅为原模型的1/5。该算法在保证较高检测精度的同时大大降低了模型参数量，并提升了检测速度，更适合部署于算力有限的嵌入式轨道检测系统，可为钢轨缺陷高效检测提供有效手段。关键词钢轨表面缺陷；深度学习；目标检测；轻量化；YOLOX网络中图分类号U213.4文献标识码ADOI：10.3969/j.issn.1003‐1995.2023.07.07引用格式：杨佳佳，许贵阳，白堂博.基于改进YOLOX的轻量级钢轨表面缺陷检测算法［J］.铁道建筑，2023，63（7）：34‐39.截至2021年底，我国高速铁路营业里程已经突破4万公里，稳居世界第一［1］。随着运营里程、运营速度和客运货量的大幅提升，轮轨关系逐渐恶化，尤其以钢轨表面缺陷最为典型，其中轨面擦伤、剥离掉块、疲劳裂纹等缺陷的存在给行车安全性、舒适性以及养护维修带来巨大的挑战［2］。因此，快速完成钢轨表面缺陷的精准检测对于确保我国轨道交通的安全平稳运行具有重大意义。目前的检测技术仍以传统方法为主，早期多采用人工目视巡道，后期主要依靠超声波［3］、电涡流［4］、漏磁［5］等钢轨无损检测技术。这些传统方法各有利弊：目视法巡检效果因人而异，存在检测效率低、易漏检等问题；超声波检测可探测钢轨内部缺陷，但为接触式测量，难以对表面细小缺陷进行检测；涡流检测可以达到较高的检测精度，但对外界检测环境要求较高；漏磁检测对于表面横向裂纹缺陷检测效果较好，但检测速度仍有较大的提升空间。随着人...
