基于SPPF-Attention和C2f-DAB的铁路扣件图像检测算法

孟建军; 姚丽青; 吕德芳; 石锐; 李怡璇

doi:10.12404/j.issn.1671-1815.2502578

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (9) :3859-3866 DOI: 10.12404/j.issn.1671-1815.2502578

自动化技术、计算机技术

基于SPPF-Attention和C2f-DAB的铁路扣件图像检测算法

孟建军 ¹ ,
姚丽青 ² ,
吕德芳 ¹ ,
石锐 ¹ ,
李怡璇 ¹

作者信息 +

Railway Fastener Detection Algorithm Based on SPPF-Attention and C2f-DAB

Author information +

文章历史 +

摘要

铁路扣件巡检作业过程中,由于病害扣件特征不明显、背景对比度较复杂等多种原因,病害钢轨扣件缺陷检测速度较慢,精度较低。为了更快、更精准地识别铁路扣件,提出了基于改进YOLOv10的铁路扣件图像检测算法,在SPPF(spatial pyramid pooling-fast)模块引入注意力机制(SPPF-Attention),通过特征重标定提升模型对关键区域的关注度,构建病害扣件检测模型;在C2f模块中嵌入双注意力块(C2f-DAB),该双注意力块串联了通道-空间注意力和并行注意力,进一步增强模型对扣件多维度特征的提取能力。实验结果表明,在自建铁路扣件数据集上,原始YOLOv10模型的平均精度为88.1%,加入注意力机制后提升至89.3%,引入双注意力块的比原模型提升2.1%。三种方案的运行速度分别为42、41和39 帧/s,均满足铁路实时检测需求。通过对比实验验证了注意力机制和双注意力块网络模型在铁路扣件检测任务中的有效性,为相关领域的研究提供了理论依据和实践参考。

Abstract

Railway fastener inspection faces challenges in both detection speed and accuracy due to inconspicuous defect features and complex background contrast. To achieve faster and more precise fastener identification, an improved YOLOv10-based detection algorithm was proposed. Specifically, an attention mechanism (SPPF-Attention) was introduced into the SPPF module to enhance feature recalibration and improve focus on critical regions. Concurrently, a dual attention block (C2f-DAB) was embedded in the C2f module, which combines channel-space attention with parallel attention to strengthen multi-dimensional feature extraction. Experimental results on a self-built railway fastener dataset demonstrates that the original YOLOv10 achieves an average precision of 88.1%. The SPPF-Attention variant achieves an improvement to 89.3%, while the C2f-DAB implementation gains 2.1% over the baseline. All three models maintained real-time performance (42, 41, and 39 frames/s, respectively), meeting practical inspection requirements. The effectiveness of attention mechanism and dual attention block network model in railway fastener detection task was verified through comparative experiments, providing theoretical basis and practical reference for research in related fields.

Graphical abstract

关键词

改进YOLOv10 / 铁路扣件检测 / SPPF模块 / 注意力机制 / 双注意力块

Key words

improved YOLOv10 / railway fastener detection / SPPF module / attention mechanism / dual attention block

引用本文

引用格式 ▾

孟建军, 姚丽青, 吕德芳, 石锐, 李怡璇. 基于SPPF-Attention和C2f-DAB的铁路扣件图像检测算法[J]. 科学技术与工程, 2026, 26(9): 3859-3866 DOI:10.12404/j.issn.1671-1815.2502578

MENG Jian-jun, YAO Li-qing, LÜ De-fang, SHI Rui, LI Yi-xuan. Railway Fastener Detection Algorithm Based on SPPF-Attention and C2f-DAB[J]. Science Technology and Engineering, 2026, 26(9): 3859-3866 DOI:10.12404/j.issn.1671-1815.2502578

登录浏览全文

4963

注册一个新账户忘记密码

铁路现代化和铁路安全是支撑中国交通运输体系高效运行的重要基石^[1]。其中,轨道扣件是铁路系统的重要组件,其良好的工作状态能够维持轨道结构的稳定性和可靠性,是保证铁路运输安全的重要基础。

近年来,随着深度学习网络模型的持续创新和迭代,目标检测算法在检测精度和速度均得到了改善,广泛应用在人脸识别^[2]、物体分割^[3]、自动驾驶^[4]、工程应用^[5]等方面,改变了人们的生活方式。深度学习技术的应用提升了机器学习的学习能力,在轨道病害扣件检测领域中展现出诸多优势^[6]。通过对数据集的训练,模型能够高效提取数据的特征表示^[7],精准识别病害扣件类型并准确定位其位置;实现自动化检测,无须铁路工作人员干预,降低了人力成本;通过改进模型权重参数,增强泛化能力,完成异物检测,增强实时性。为了平衡检测精确度和实时性,检测方法仍然需要不断地改善和更新。通过对图像中目标扣件准确定位、快速识别分类,并及时反馈给相关工作人员,可以有效缓解交通压力。

中国在铁路巡检领域,寻求开发和应用高效的技术用来检测钢轨扣件的缺陷始终是一项关键任务。韦若禹等^[8]针对轨道扣件缺陷检测提出了一种改进YOLOv3模型层级结构的方法,通过选取不同尺度特征对病害扣件的位置和类别进行检测,平均精确率相比原模型提高了20.64%,检测速度达到了58.4 帧/s。高嘉琳等^[9]在CSPDarknet53主干网络中整合残差块,并通过扩展YOLO头部输出结构构建检测模型,但其218.2 MB的模型体积仍制约了在边缘设备的部署应用。Hu等^[10]借助YOLOX-Nano架构融合ASFF特征金字塔技术,结合协调注意力机制优化特征表达,最终构建出54.35 帧/s的高效检测模型。张元等^[11](本文团队)针对YOLOv5模型进行优化,结合了压缩与激活(squeeze-and-excitation,SE)注意力机制和坐标注意力(coordinate attention,CA)机制,采用MobileNetv3作为主干网络,并融合了集成GSConv模块的Slim-Neck结构以及轻量级上采样算子,从而有效减少了计算开销。此外,张元等^[12](本文团队)对YOLOv5的主干卷积网络进行替换,采用MobileNetv3并结合Mish激活函数与协同注意力机制,实现了模型的轻量化优化。Wang等^[13]引入自主学习参数机制,建立跨层级动态特征融合策略,平衡多尺度特征图的信息融合强度,提升特征图的有效信息密度。吴送英等^[14]运用Grad-CAM可视化技术解析模型注意力机制,通过监测训练过程中的特征关注区域分布,实现4类扣件缺陷的精准分类检测,但现有的大多数方法仍然存在着在复杂路况下扣件的各个状态检测精度较低、目标漏检率较高、检测模型大运算复杂的问题,这对它们的广泛采用构成了很大的障碍,特别是在资源受限的嵌入式设备上,模型较大,不易运行。现提出基于SPPF-Attention和C2f-DAB的铁路扣件图像检测算法,主要改进方法如下:利用不同的池化核尺寸提取特征^[15]的方式获得更多的特征信息,提高网络的识别精度,在SPPF模块上加入注意力机制,能够在不同尺度上获取更多更精确的特征信息,进而提高网络的识别精度;模型引用了双注意力块实现了更好的检测性能,该注意力块串联了两个模块:通道-空间注意力和并行注意力,降低了模型复杂度,实现了更好的检测效果。

1 YOLOv10网络结构及算法改进

1.1 YOLOv10网络结构及算法原理

1.1.1 网络结构

YOLOv10是清华大学基于YOLOv8开发的新一代目标检测模型,通过多项创新优化了性能、灵活性和效率。YOLOv10网络结构由骨干网络(Backbone)、颈部模块(Neck)和检测头(Head)组成^[16],如图1所示。骨干网络采用空间信道解耦下采样技术(SCDown),通过逐点卷积和深度卷积优化特征提取;颈部模块沿用PAN-FPN架构,增强多尺度特征融合能力;v10Detect检测头引入双标签分配策略,结合一对一和一对多匹配机制,在训练期间减少监督差距的同时提升了模型的预测质量。此外,YOLOv10摒弃了传统非极大值抑制(non-maximum suppression,NMS),通过一致匹配度量方法优化训练和推理的一致性,降低了计算冗余。

1.1.2 算法原理

YOLOv10通过引入一种新的训练策略,能够摒弃传统非极大值抑制(NMS)的需求。该策略融合了一对一(one-to-one)和一对多(one-to-many)的标签分配机制,旨在提供充足的训练监督信号,同时确保推理阶段的高效性^[17]。传统YOLO模型多依赖多对一标签分配策略,虽然能够提供丰富的监督信息,但需要借助NMS进行后处理,导致推理延迟增加。针对这一问题,YOLOv10提出了双重标签匹配策略,结合了一对多和一对一的检测头,一对多检测头提供多样化的监督信号,而一对一检测头则负责标签分配。这种设计使得模型在训练时能够利用一对多检测头的丰富信息,而在推理时仅依赖一对一检测头进行预测,从而避免了NMS的使用。

1.2 SPPF模块改进

1.2.1 SPPF模块介绍

YOLOv8和YOLOv10^[18]是目标检测领域中的先进模型,分别由Ultralytics和清华大学研究团队开发。SPPF模块是YOLOv8中的一个关键组件,而YOLOv10的SPPF模块在YOLOv8的基础上进行了进一步优化。

在铁路扣件缺陷检测任务中,YOLOv8和YOLOv10的SPPF模块通过多尺度特征提取和高效信息融合,提升了检测精度和效率。SPPF在SPP模块的基础上进行了改进,提高了计算效率和多尺度特征提取能力,其核心思想包括多尺度特征融合、串行池化结构和特征拼接。SPPF模块在不同大小的池化核里对输入的特征图进行池化操作,能够根据输入特征图的尺寸和任务需求自适应调整池化核,从而更好地适应不同尺度的扣件缺陷^[19]。在铁路扣件缺陷检测中,扣件缺陷通常具有多尺度和复杂背景的特点,SPPF模块能够有效捕捉不同尺度的缺陷特征,提升检测精度。此外,YOLOv10在SPPF模块中加入了轻量级的注意力机制,通过增强重要特征的权重和抑制无关特征,进一步提升了检测精度。同时,YOLOv10优化了串行池化结构,减少了冗余计算,并改进了特征融合方式,更高效地整合了多尺度特征。针对硬件加速,YOLOv10的SPPF模块对GPU(graphics processing unit)和NPU(neural processing unit)进行了优化,提升了推理速度,能够满足铁路扣件缺陷检测的实时性要求。

1.2.2 SPPF模块的改进

1) 注意力机制的介绍

在铁路扣件缺陷检测任务中,在YOLOv10 的 SPPF(spatial pyramid pooling-fast)模块引入注意力机制^[20],提升了模型的特征提取能力和检测精度。注意力机制通过动态调整特征图中不同区域的权重,使模型能够更聚焦于关键信息,同时有效抑制无关背景的干扰。

2) SPPF模块的改进

在SPPF模块上加入注意力机制,利用不同的池化核尺寸提取特征的方式可以获得更多的特征信息,提高网络的识别精度,能够在不同尺度上获取更好的、更多的特征信息,从而获取全局视角信息并减轻不同尺度大小所带来的影响。在 YOLOv10模型中,将 SPPF 模块改进为SPPF-Attention模块,如图2所示。

3) 改进后的优势

在 YOLOv10 的 SPPF 模块中加入Attention模块后,模型在铁路扣件缺陷检测任务中表现出的优势如下。

(1) 检测精度提升:检测断裂、缺失、移位和偏转等缺陷时,注意力机制可以帮助模型更准确地定位缺陷区域,有效减少误检和漏检。

(2) 多尺度特征提取能力增强:注意力机制能够动态调整不同尺度特征的权重,使模型更好地适应铁路扣件缺陷的多尺度特性。

1.3 C2f模块的改进

1.3.1 引入双注意力块DAB

在铁路扣件缺陷检测任务中,引入了一种新颖的双注意力块(dual attention block, DAB),能够有效提升模型性能同时降低了模型的复杂度^[21]。该模型的改进是将C2f模块增加了双注意力块,即C2f_DAB。该双注意力块串联了通道-空间注意力(channel-spatial attention module,CSAM)和并行注意力(parallel attention module,PAM),增强了模型对缺陷扣件特征的检测。其中,CSAM侧重于通道维度的特征强化,PAM聚焦于空间维度的关系建模。

1.3.2 改进C2f模块

在YOLOv10的基础上,引入DAB对C2f模块进行了改进,整体改进架构如图3所示。该模块通过级联结构依次包含通道-空间注意力组件(CSAM)和并行注意力组件(PAM),增强了模型对铁路扣件多维度特征的提取能力。此外,C2f-DAB模块通过注意力机制在减少参数量的同时,有效识别铁路扣件特征,降低了模型复杂度并提升了检测精度。

1.3.3 改进C2f模块后的优势

(1) 双注意力块的机制通过参数共享方式实现多维度特征交互^[22],相比单注意力结构具有更优的硬件资源利用率。

(2) 模块化设计便于网络扩展,可根据实际检测需求灵活调整各阶段DAB数量。

(3) 在铁路扣件检测场景中,该模型克服了复杂背景下小尺寸扣件特征易丢失的难题,同时减少了模型参数量。

2 实验结果和分析

2.1 实验环境与参数设置

所用操作系统为Windows 11 专业版,系统类型为64位,处理器为第14代英特尔酷睿i7-14650HX,具有16核心24线程,睿频加速最高可达5.1 GHz;配备NVIDIA GeForce RTX 4060显卡,显存容量为16GB GDDR6,支持光线追踪和DLSS技术。深度学习框架使用PyTorch搭建,PyTorch版本为1.9.0,Python 版本为 3.8。

在模型训练前,需修改模型配置文件中的参数,以确保其符合本文数据集的训练需求。具体的训练参数设置如表2所示。

2.2 数据集

目前国内公开的铁路扣件伤损数据集相对较少,主要是因为铁路数据的敏感性和采集难度较高。受环境因素及铁路部门相关规定影响,数据集采集难度较大。经河北铁路段与兰州交通大学科技园铁轨批准、协助,成功拍摄并整理出536张不同工况的钢轨扣件图片。该数据集用于钢轨扣件研究较为充足,涵盖扣件正常(normal)、扣件断裂(fastener_compromised)、扣件缺失(fastener_lost)、扣件移位(fastener_misplaced)、扣件偏转(fastener_rotated)、螺母缺失(nut_lost)六种工况,如图4所示。

该数据集共有536个标注框,图像分辨率均为190×280像素,将80%的数据集作为训练集,20%作为验证集。其中训练集各工况的图片及标注数量如表3所示。

2.3 评价指标

为了评估模型在铁路病态扣件检测中的性能,采用了多项评价指标,包括精确率(precision, P)、召回率(recall, R)、平均精度(average precision, AP)、平均精度均值(mean average precision, mAP)、帧率(frames per second, FPs)以及模型大小。

(1)$P=\frac{{T}_{\mathrm{p}}}{{T}_{\mathrm{p}}+{F}_{\mathrm{p}}}\times 100\mathrm{\%}$

式(1)中:T_P为实际工况图片被模型正确识别的目标数量;F_P为被模型误判的目标数量。式(1)衡量检测结果中正确预测的正样本比例。

(2)$R=\frac{{T}_{\mathrm{p}}}{{T}_{\mathrm{p}}+{F}_{\mathrm{n}}}\times 100\mathrm{\%}$

式(2)中:F_n为实际存在缺陷但被模型错误预测为正常扣件的目标数量。式(2)衡量模型正确识别的缺陷扣件占所有实际缺陷样本的比例。

(3)$\mathrm{A}\mathrm{P}=\frac{{T}_{\mathrm{p}}+{T}_{\mathrm{n}}}{{T}_{\mathrm{p}}+{F}_{\mathrm{p}}+{T}_{\mathrm{n}}+{F}_{\mathrm{n}}}\times 100\mathrm{\%}$

(4)$\mathrm{m}\mathrm{A}\mathrm{P}=\frac{1}{n}\stackrel{n}{\sum _{i=1}}\mathrm{A}{\mathrm{P}}_{i}$

式中:T_n为实际正常扣件且被模型正确预测为正常的目标数量。式(3)、式(4)计算所有缺陷类别平均精度的综合指标。

(5)$\mathrm{F}\mathrm{P}\mathrm{s}=\frac{B}{T}$

式(5)中:B为批大小;T为一个批次图像所花费的时间。式(5)表示每秒能够处理的扣件图像帧数。

2.4 模型训练结果与分析

2.4.1 消融实验

为了验证提出改进的YOLOv10模型在铁路扣件检测任务中的效果,设计了一系列消融实验,实验结果如表4所示。该消融实验通过引入不同的注意力机制模块,评估每个模块对模型性能的影响。实验分为4个组别:原始YOLOv10模型不引入任何注意力机制;YOLOv10+CA在YOLOv10中引入通道注意力机制(CA);YOLOv10+DANet在YOLOv10中嵌入双注意力网络(DANet),结合通道与空间注意力机制;YOLOv10+DAB在YOLOv10中引入双注意力块(DAB)。

通过实验可知,mAP从88.1%分别提升至89.3%、89.8%、90.2%,小尺寸扣件检测率从80.2%分别提升至81.5%、82.3%、82.8%,误检率分别从1.5%降低至1.4%、1.3%、1.3%,运行速度从42帧/s微降至41、40、39帧/s。通过消融实验验证了通道注意力机制和双注意力机制在提升模型性能方面的有效性,尤其是在小尺寸扣件的检测上表现明显。虽然引入注意力机制后模型的运行速度有所下降,但仍能满足铁路实时检测的需求。

2.4.2 模型实验结果与分析

实验结果表明,YOLOv10 在 YOLOv8 的基础上,通过优化网络结构和训练策略,提升了检测性能和帧率;YOLOv10+注意力机制模型有效提升了模型的特征提取能力,且在复杂背景下对计算效率的影响较小。YOLOv10+DAB模型进一步提升了模型的检测精度和召回率,尽管计算开销略有增加但在小目标和复杂场景下表现优异。这一改进为铁路扣件缺陷检测的智能化提供了一定的技术支持,同时也为其他复杂场景下的目标检测任务提供了参考。

图5所示为YOLOv8、YOLOv10、引入注意力机制的YOLOv10模型以及YOLOv10-DAB模型的性能随着迭代次数的变化趋势,可以看出随着迭代次数的不断增加,精确率、召回率、平均精度均值均逐渐趋于稳定。图5(a)展示了各个模型精确率分别趋向于0.83、0.86、0.86、0.92。图5(b)分别展示了在召回率方面的变化趋势,最终稳定在约0.85、0.88、0.93、0.95。图5(c)展示了4个模型平均精度均值分别趋向于88.2%、88.3%、89.3%、90.2%。

由表5实验所示,YOLOv10相比YOLOv8模型,平均精度均值提高1.9%,精确率与召回率分别提升3.6%和3.5%,帧率提高7.7%,模型体积增加4%(13.0 MB),显存占用控制在3.7 GB水平。引入注意力机制后,模型的召回率、平均精度均值分别比YOLOv10模型提升5.7%、1.4%,帧率微降2.4%。改进后的YOLOv10+DAB模型,虽然计算开销略有增幅(可接受范围),帧率下降7.1%至39帧/s,但平均精度均值、精确率、召回率分别达到90.2%、92%、95%,且保持了模型的轻量化(13.0M)。实验表明,通过对YOLOv10模型改进C2f模块,模型可在精度与效率之间取得更好平衡。

3 结论

以YOLOv10为核心框架,提出了一种基于SPPF-Attention和C2f-DAB的铁路扣件图像检测算法。首先在SPPF模块引入注意力机制,对YOLOv10模型进行改进,有效提升了铁路扣件检测的效果;其次,在C2f模块嵌入双注意力块进行模型改进。实验结果表明,改进C2f-DAB模块的模型在检测精度、平均检测精度、召回率方面均优于YOLOv10模型和改进注意力机制模型的方案。该模型对轨道扣件正常、扣件断裂、扣件缺失、扣件移位、扣件偏转、螺母缺失的状态识别准确率均有所提高。该算法可应用于轨道巡检机器人或车载智能检测设备中,实现对铁路扣件状态的实时、自动化检测。在今后的实验中,通过知识蒸馏或剪枝等技术对模型进行轻量化的改进,提升实时检测性能;在模型方面,尝试YOLOv10与其他模块结合,优化模型,增强模型的泛化能力,为智能巡检系统提供更多的解决方案。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	牛道安, 陈东生, 赵钢, 等. 面向现代化建设的铁路基础设施检测监测体系创新研究[J]. 中国铁路, 2024(10): 1-9.

[2]	Niu Dao’an, Chen Dongsheng, Zhao Gang, et al. Innovative research on railway infrastructure inspection and monitoring system for modernization construction[J]. China Railway, 2024(10): 1-9.

[3]	Shah M S. 基于改进的YOLO架构、Inception-Resnet-V2和XGazeNet的司机(面部、头部姿态和眼球注视)监控系统[D]. 西安: 长安大学, 2024.

[4]	Shah M S. Driver(face, head pose, and eye gaze) monitoring system based on improved YOLO architecture, Inception-ResNet-V2, and XGazeNet[D]. Xi’an: Chang’an University, 2024.

[5]	刘春娟, 辛钰强, 吴小所, 等. 双注意力引导的U-Net++遥感图像语义分割模型[J/OL]. 北京航空航天大学学报, 1-13[2025-03-02]. DOI: 10.13700/j.bh.1001-5965.2024.0122.

[6]	Liu Chunjuan, Xin Yuqiang, Wu Xiaosuo, et al. Dual attention-guided U-Net++ for semantic segmentation of remote sensing images[J/OL]. Journal of Beijing University of Aeronautics and Astronautics, 1-13 [2025-03-02]. DOI: 10.13700/j.bh.1001-5965.2024.0122.

[7]	陈其怀, 林添良, 马荣华, 等. 基于多模态的履带式挖掘机自动驾驶决策网络[J]. 机械工程学报, 2025, 61(4): 380-388.

[8]	Chen Qihuai, Lin Tianliang, Ma Ronghua, et al. Autonomous Driving Decision Network for Crawler Excavators Based on Multimodal Learning[J]. Journal of Mechanical Engineering, 2025, 61(4): 380-388.

[9]	刘谭, 刘娜, 刘贵平, 等. 深度学习方法在风电功率预测中的应用与研究方向概述[J]. 计算机科学与探索, 2025, 19(3): 602-622.

[10]	Liu Tan, Liu Na, Liu Guiping, et al. Applications and research directions of deep learning in wind power forecasting: a review[J]. Journal of Frontiers of Computer Science and Technology, 2025, 19(3): 602-622.

[11]	龙炎. 基于深度学习的铁路扣件检测系统的研究[D]. 北京: 北京交通大学, 2018.

[12]	Long Yan. Research on railway fastener detection system based on deep learning[D]. Beijing: Beijing Jiaotong University, 2018.

[13]	陈子豪. 基于深度学习的重载铁路线路扣件缺陷辨识方法研究[D]. 北京: 北京交通大学, 2023.

[14]	Chen Zihao. Research on defect identification method for heavy-haul railway fasteners based on deep learning[D]. Beijing: Beijing Jiaotong University, 2023.

[15]	韦若禹, 李舒婷, 吴松荣, 等. 基于改进YOLOv3算法的轨道扣件缺陷检测[J]. 铁道标准设计, 2020, 64(12): 30-36.

[16]	Wei Ruoyu, Li Shuting, Wu Songrong, et al. Defect detection of railway fasteners based on improved YOLOv3 algorithm[J]. Railway Standard Design, 2020, 64(12): 30-36.

[17]	高嘉琳, 白堂博, 姚德臣, 等. 基于改进YOLOv4算法的铁路扣件检测[J]. 科学技术与工程, 2022, 22(7): 2872-2877.

[18]	Gao Jialin, Bai Tangbo, Yao Dechen, et al. Railway fastener detection based on improved YOLOv4 algorithm[J]. Science Technology and Engineering, 2022, 22(7): 2872-2877.

[19]	Hu J, Qiao P, Lü H, et al. High speed railway fastener defect detection by using improved YoLoX-Nano model[J]. Sensors, 2022, 22: 8399-8415.

[20]	张元, 吕德芳, 孟建军, 等. 基于双注意力和GSSN轻量化的钢轨扣件缺陷检测[J]. 计算机工程, 2025, 51(2): 289-299.

[21]	Zhang Yuan, Lü Defang, Meng Jianjun, et al. Rail fastener defect detection based on dual attention and GSSN lightweight model[J]. Computer Engineering, 2025, 51(2): 289-299.

[22]	张元, 孟建军, 吕德芳, 等. 基于轻量化模型的钢轨扣件缺陷检测系统[J]. 仪表技术与传感器, 2023(11): 96-101, 106.

[23]	Zhang Yuan, Meng Jianjun, Lü Defang, et al. Rail fastener defect detection system based on lightweight model[J]. Instrument Technique and Sensor, 2023(11): 96-101, 106.

[24]	Wang S H, Hao X L. YOLO-SK: a lightweight multiscale object detection algorithm[J]. Heliyon, 2024, 10(2): e24143.

[25]	吴送英, 刘林芽, 万强华, 等. 基于小波包能量谱与改进BP神经网络的铁路扣件松脱检测算法研究[J]. 华东交通大学学报, 2023, 40(6): 69-78.

[26]	Wu Songying, Liu Linya, Wan Qianghua, et al. Railway fastener looseness detection algorithm based on wavelet packet energy spectrum and improved bp neural network[J]. Journal of East China Jiaotong University, 2023, 40(6): 69-78.

[27]	Wu L B, Gu Y H, Wu W H, et al. Remote sensing rotating object detection based on multi scale feature extraction[J]. Laser & Optoelectronics Progress, 2023, 60(12): 1228010.

[28]	Nguyen T P, Nguyen L G, Bui D D. LW-UAV-YOLOv10: a lightweight model for small UAV detection on infrared data based on YOLOv10[J]. Geomatica, 2025, 77(1): 100049.

[29]	Wang A, Chen H, Liu L, et al.YOLOv10: real-time end-to-end object detection[C]// Proceedings of the 38th International Conference on Neural Information Processing Systems. Vancouver, BC: ACM, 2024: 107984-108011.

[30]	Yeerjiang A, Wang Z, Huang X, et al. YOLOv1 to YOLOv10: a comprehensive review of YOLO variants and their application in medical image detection[J]. Journal of Artificial Intelligence Practice, 2024(3). DOI: 10.23977/JAIP.2024.070314.

[31]	杜宏, 顾宸瑜, 张孝峥, 等. 基于YOLOv10-vehicle算法的复杂天气情况下车辆目标检测方法[J]. 吉林大学学报(工学版), 2025, 55(10): 3309-3318.

[32]	Du Hong, Gu Chenyu, Zhang Xiaozheng, et al. Vehicle detection in complex weather conditions based on YOLOv10-vehicle algorithm[J]. Journal of Jilin University (Engineering and Technology Edition), 2025, 55(10): 3309-3318.

[33]	Lu S Y, Liu M Z, Yin L R, et al. The multi-modal fusion in visual question answering: a review of attention mechanisms[J]. PeerJ Computer Science, 2023, 9: e1400.

[34]	李维刚, 邵佳乐, 田志强. 基于双注意力机制和多尺度融合的点云分类与分割网络[J]. 计算机应用, 2025, 45(9): 3003-3010.

[35]	Li Weigang, Shao Jiale, Tian Zhiqiang. Point cloud classification and segmentation network based on dual attention mechanism and multi-scale fusion[J]. Journal of Computer Applications, 2025, 45(9): 3003-3010.

[36]	张秀, 纪科, 马坤, 等. 基于多维度事件特征融合和语义特征交互的事件匹配算法[J]. 数据分析与知识发现, 2025, 9(4): 111-122.

[37]	Zhang Xiu, Ji Ke, Ma Kun, et al. Event matching algorithm based on multi-dimensional event feature fusion and semantic feature interaction[J]. Data Analysis and Knowledge Discovery, 2025, 9(4): 111-122.

基金资助

甘肃省科技厅计划(21YF5GA049)

兰州市科技计划(2023-1-16)

PDF (9214KB)

访问

被引

详细

导航

Received	Published	Revised
2025-04-13	2026-03-28	2025-07-27
Online Date
2026-06-02

摘要