基于注意力机制与混合监督学习的钢轨表面缺陷检测模型

摘要：

钢轨表面缺陷检测是保障铁路安全运行的重要一环,通过分析钢轨表面缺陷检测的必要性和现有检测方法的不足,提出了一种基于注意力机制与混合监督学习的钢轨表面缺陷检测模型.针对现有模型参数量大、部署成本高的问题,提出了端到端的钢轨缺陷检测模型,利用注意力模块引导特征丛的生成,提高缺陷检测速度,降低模型部署成本;针对实际应用中存在的异常样本少、标注成本高等问题,研究粗糙标签与混合监督对模型的影响,对像素级标签进行数据处理,使标签的不同区域获得不同的关注,降低模型对标签的依赖性.最终在实际钢轨数据集上进行实验验证,结果表明在图像级标签样本中加入少量像素级标签样本的混合监督学习可获得与全监督学习相当的性能,模型的分类准确率达99.7％.

关键词：表面缺陷检测、深度学习、注意力、小样本、粗糙标签

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划;国家自然科学基金;国家自然科学基金;湖南省杰出青年科学基金项目;长沙市科技重大专项,机器人学国家重点实验室联合开放基金;中国高校产学研创新基金

在线出版日期：2023-05-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：476-481