基于改进YOLOv5的钢轨表面缺陷检测

针对钢轨表面缺陷检测效率较低及抗干扰能力较差的问题，提出一种基于改进YOLOv5的钢轨表面缺陷检测算法.首先，采用图像增强操作对采集到的钢轨表面图像进行预处理，减轻高光、异物等噪声对检测效果的影响.其次，将多头自注意力层嵌入YOLOv5骨干网络末端，并为缺陷特征引入全局依赖关系，提升模型对密集缺陷的检测效果.最后，构建跨层加权级联结构，将浅层信息融入到深层网络中，使网络对缺陷边界的回归更为精准.实验结果表明：本文的钢轨表面缺陷检测算法对裂纹、剥落、磨损3类表面缺陷检测的平均精度均值达到98.2%，每秒帧数（Frames Per Second, FPS）达到77帧/s，能够在不同的环境条件中实现对缺陷的精准检测，比其他某些同类算法拥有更高的鲁棒性、准确性和实时性.