复杂背景下铁路扣件的改进YOLOv5s检测算法

针对复杂背景下铁路扣件外观缺陷形态检测困难的问题,提出一种改进的YOLOv5s(RF-YOLOv5s)铁路扣件检测算法.首先,结合铁路扣件形态特征,采用DenseBlock模块代替YOLOv5s网络中的Focus模块,并嵌入Ghost-BottleNeck模块,替换YOLOv5s主干网络中的Bottleneck模块;然后,引入损失函数Lcsu对YOLOv5s网络进行优化.此外,对原网络中马赛克数据增强方式进行改进,以丰富数据样本特征.将RF-YOLOv5s算法与Faster R-CNN,SSD,YOLOv3,YOLOv4和YOLOv5s等经典目标检测算法对无人机获取的铁路扣件外观缺陷形态数据影像进行检测效果对比.结果表明:RF-YOLOv5s算法的平均检测精确率可达95.46％,平均检测用时为15ms,可实现对昏暗、遮挡、杂物干扰和模糊复杂背景下铁路扣件外观缺陷形态的准确检测;相比于几种经典目标检测算法,RF-YOLOv5s算法的整体性能表现更为出色,能够满足在实际铁路工况下对扣件实时检测的需求,为铁路管养部门提供技术参考.