铁路塞钉智能检测中为什么不能对每张图都做重叠扫描？

acff00

铁路塞钉智能检测中为什么不能对每张图都做重叠扫描？

轨腰塞钉是轨道电路轨端接续线或补偿电容引线与钢轨轨腰连接的关键部件。地面列控中心把列车前方轨道占用信息经轨道电路设备由轨腰塞钉传送到钢轨中，再由车载列控设备接收并综合计算列车安全行驶距离和速度。塞钉是否可靠连接钢轨，直接关系到信息稳定传输和列车安全运行。传统人工上道检测危险性高、劳动强度大、准确率低、天窗利用率低，车载智能巡检系统因此逐步装车使用：线阵列相机沿线路连续拍摄全部图像，塞钉检测程序从海量图片中自动挑出含塞钉目标的图片，再由人工判断塞钉状态是否正常。

本文围绕基于YOLO v5的塞钉检测方法，梳理四个训练与检测环节的核心知识点，并配自测题，帮助电务岗位人员理解智能巡检系统的判断逻辑与易错点。

一、训练模型初始化与微调

神经网络初始化主要有随机初始化、Xavier初始化和He初始化三种方式。随机初始化容易导致梯度爆炸或梯度消失；Xavier初始化虽可避免输出值都趋向于0、使信息更好流动，但当使用ReLU作为激活函数时，输入小于0则输出为0，相当于该神经元被关闭，会影响输出的分布模式。因此塞钉模型训练选取He方法进行初始化，He方法在Xavier基础上假设每层网络有一半神经元被关闭，相应调整分布的方差。

塞钉训练往往需要不断叠加数据训练新模型，如果每次都从头训练将耗费大量资源，因此采用微调方式：复制原有模型上前L-1层的所有模型设计及其参数，输出层从头开始训练，其他层参数根据原有模型参数进行微调。微调使模型快速收敛、达到预期结果，可大大节约算力。

二、过拟合的处理与dropout正则化

塞钉训练遇到过拟合时，除增加训练样本外，还可通过神经网络正则化方法解决，其中一种有效方法是dropout。dropout通过按保留节点的分数进行归一化来消除每层偏差，每个中间激活值h以丢弃概率p由随机变量h'替换。把dropout应用到隐藏层时，以p的概率将隐藏单元置为0，结果可看作一个只包含原始神经元子集的网络，输出的计算不再依赖被丢弃的单元，其各自梯度在执行反向传播时也会消失，输出层的计算不能过度依赖任何一个元素。理解这一点，有助于判断训练中出现的过拟合现象及应对手段。

三、非冗余多置信度检测

线阵列相机采集的图片按每2 m一张进行分割，塞钉有可能被分割在前后2张图中，半个塞钉目标存在漏检可能。若采用全冗余连续拼接，即每半张图与下一张的前半张交叠检测，图上每个像素都要被检2次，检测效率低下。因此采用低置信度对图像进行非冗余扫描：当发现前一张图的底部或当前图的顶部出现置信度较低的目标框时，根据目标定位框的中心点对图像进行剪裁取样，形成新的检测图片进行复核，此时目标完整出现在新图中的概率大幅上升，达到较高置信度后再确认目标检出。这一逻辑正是本文标题所问的关键：不能对每张图都做重叠扫描，是因为全冗余拼接会让每个像素被重复检测两次，效率低下；非冗余扫描加低置信度触发复核，兼顾了效率与查全。

四、误判去除与数据组织

塞钉位置都在轨腰区域，如果超过该区域一定阈值，则被认为不可能是塞钉，通过这种限制可滤去较多误判。增加反例也是去除误判的有效方法，例如检测过程中很容易将大螺栓误判为塞钉，将大螺栓作为反例进行训练后，凡是检测出的大螺栓类别都将通过程序自动滤除，大大提高检测精度。

数据组织方面，先期试验曾将塞钉按塞钉头样式细分训练，但多次试验后发现，细分不仅加大标注难度，而且在训练样本没有达到很大规模时，训练出的检测器并不能准确区分多种塞钉类型。因此后续仅将塞钉分为单头和双头2种类型，取得满意效果。普速铁路除包含高铁塞钉样式外，还包含导接线塞钉，训练综合模型时将其作为第3类塞钉，并将样本并入高铁塞钉样本一起训练。数据裁剪方面，采集图像大小为2048×512，塞钉占整图比例很小，最优方式是将图片边侧大部分非轨腰部分裁剪掉，垂直方向只保留有塞钉的上半张或下半张图；当塞钉位于图片中线处时，裁剪程序自动根据塞钉标注位置将裁剪框随机移动到能包围塞钉的位置。数据增强方面，除上下、左右翻转外，还通过灰度增强加强数据：初始样本灰度值主要集中在70~130，50~70、130~150也有分布，将70~130的图像灰度变换到另外2个灰度区间，50~70和130~150的图像也变换到另外2个区间，使任意灰度区间的图像数量大体一致，保证训练数据均衡。

训练使用NVIDIA GeForce RTX 3090的GPU完成，每次单卡训练，参数均为源代码默认参数，epoch设置为300，batch-size设置为64。由于图像预处理已充分增强，训练过程中将flipud和fliplr属性设置为0.0，不再进行翻转操作。训练前将图像统一调整尺寸并保存为新图像，训练过程中屏蔽图像归一化过程，可大幅减少计算量、提高训练速度。模型最终训练结果达到mAP@0.5为0.997 1、mAP@0.5:0.95为0.993 4。随机针对6批共56 513张图片进行塞钉目标检测，实际目标数2 218个，系统检出2 284个，查准率为97.11%，查全率为99.91%。高速铁路待检图平均误判率仅为0.1%，普速铁路待检图平均误判率为0.3%，高精度自动检测将图像检测人员工作量降低到全人工检测的5%。

📎 参考答案

一、单选题

1. 塞钉模型训练时选取的初始化方法是（ ）
A. 随机初始化
B. Xavier初始化
C. He初始化
D. 零初始化
答案：C（资料明确塞钉模型训练选取He方法进行初始化）

2. 线阵列相机采集的图片按每2 m一张分割，若采用全冗余连续拼接检测，主要问题是（ ）
A. 漏检率升高
B. 每个像素被检2次，检测效率低下
C. 无法识别单头塞钉
D. 灰度分布不均衡
答案：B（资料指出全冗余拼接下图上每个像素都要被检2次，检测效率低下）

3. 塞钉模型训练使用的GPU型号是（ ）
A. NVIDIA GeForce RTX 2080
B. NVIDIA GeForce RTX 3090
C. NVIDIA Tesla V100
D. NVIDIA GeForce GTX 1080
答案：B（资料明确使用NVIDIA GeForce RTX 3090的GPU完成）

4. 塞钉模型训练时epoch设置为（ ）
A. 100
B. 200
C. 300
D. 500
答案：C（资料明确epoch设置为300）

5. 塞钉模型训练时batch-size设置为（ ）
A. 16
B. 32
C. 64
D. 128
答案：C（资料明确batch-size设置为64）

6. 后续试验中塞钉被分为几种类型（ ）
A. 1种
B. 2种
C. 3种
D. 4种
答案：B（资料明确仅将塞钉分为单头和双头2种类型）

7. 普速铁路训练综合模型时，导接线塞钉作为第几类塞钉（ ）
A. 第1类
B. 第2类
C. 第3类
D. 不单独分类
答案：C（资料明确将其作为第3类塞钉）

8. 采集的图像大小为（ ）
A. 1024×512
B. 2048×512
C. 2048×1024
D. 4096×512
答案：B（资料明确采集的图像大小为2048×512）

9. 随机检测试验中，实际目标数为（ ）
A. 2 218个
B. 2 284个
C. 56 513个
D. 6批
答案：A（资料明确实际目标数2 218个，系统检出2 284个）

10. 该塞钉检测系统的查全率为（ ）
A. 97.11%
B. 99.91%
C. 0.1%
D. 0.3%
答案：B（资料明确查准率为97.11%，查全率为99.91%）

二、多选题

11. 关于塞钉模型微调，下列说法正确的有（ ）
A. 复制原有模型上前L-1层的所有模型设计及其参数
B. 输出层从头开始训练
C. 其他层参数根据原有模型参数进行微调
D. 微调使模型快速收敛，可大大节约算力
答案：ABCD（资料对微调方式的四点均有明确表述）

12. 塞钉检测中去除误判的方法包括（ ）
A. 限制塞钉位置在轨腰区域，超过阈值则排除
B. 增加反例，如将大螺栓作为反例训练
C. 提高相机分辨率
D. 对检测出的大螺栓类别通过程序自动滤除
答案：ABD（资料明确轨腰区域限制和增加反例两种方法，C项资料未提及）

*** VIP专享 ***

参考资料：
基于YOLO v5的铁路塞钉检测方法（中国铁路，2023年第4期）

引用依据：
《211137753_基于YOLO_v5的铁路塞钉检测方法》

资料使用说明：本文依据已抽取铁路专业原始文本整理，仅供学习参考。涉及规章、技术参数和作业要求时，请以现行有效文件为准。

非VIP会员剩余 27% 内容需要支付 0.20元 后可完整阅读

继续阅读 开通会员

支持付费阅读，激励作者创作更好的作品。会员可4折购买！