【技术实现步骤摘要】
本专利技术属于计算机视觉和图像检测方法，具体涉及基于改进yolov8算法的轨道病害检测方法。
技术介绍
1、轨道表面病害包括腐蚀、裂纹、脱落和凹坑等问题，而轨道结构病害则涉及轨道紧固扣件缺失、紧固扣件变形等问题。这些病害如果不能及时检测和处理，将会对铁路系统的安全和运行效率产生严重影响。轨道结构病害检测指的是通过各种技术手段，识别和检测铁路轨道结构中的各种病害，以确保铁路系统的安全和平稳运行。
2、传统的轨道病害检测方法主要依赖人工巡检和手工设计的特征来检测病害。例如，通过颜色、形状和纹理等特征识别病害。然而，这些方法通常依赖于人工提取特征，能够解决简单情况下的病害检测问题，但在复杂场景下，检测性能急剧下降，无法满足实际需求。
3、随着深度学习技术的发展，基于深度学习的轨道病害检测方法得到了广泛研究。这些方法通过卷积神经网络等技术，从大量数据中学习特征表示，自适应地提取对病害检测有效的特征，与传统方法相比，具备较高的检测准确性。然而，即使是目前最先进的基于深度学习的轨道病害检测方法，在各种复杂场景和劣化条件下，例如背景复杂、缺陷目标的尺寸和不同光照条件等，其检测性能仍然存在不足，难以满足实际应用的需求。
技术实现思路
1、本专利技术的目的是提供基于改进yolov8算法的轨道病害检测方法，能够准确检测复杂场景和劣化条件下的轨道病害。
2、本专利技术所采用的技术方案是，基于改进yolov8算法的轨道病害检测方法，具体按以下步骤实施：
3、
4、步骤2，构建锚点融合网络模块；
5、步骤3，构建自适应全局调制金字塔模块；
6、步骤4，构建通道自注意力机制模块。
7、本专利技术的特点还在于：
8、步骤1具体按照以下步骤实施：
9、步骤1.1，搜集轨道病害的样本图像；
10、步骤1.2，将步骤1.1搜集到的样本图像进行标注和分类，确定病害的位置和边界框，并为每个病害类别分配相应的标签。
11、步骤1.3，按比例将所有样本图像与其标注文件划分为训练集、验证集和测试集。
12、步骤1.4，采用改进的yolov8模型，加载预先训练权重，构建编码器；
13、步骤1.5，将数据集图像分辨率调整为640×640，并输入编码器中。
14、步骤2具体按照以下步骤实施：
15、步骤2.1，以卷积和切割函数为基础，构建特征通道分割模块；
16、步骤2.2，构建锚点注意力模块；
17、步骤2.3，构建网络融合模块。
18、步骤2.1具体按照以下步骤实施：
19、步骤2.1.1，假设一个输入张量f，尺寸为b×n×c，通过使用切割函数，沿着通道维度将张量均匀地划分为两个相等的部分，每个部分的维度将是前提是c可以被2整除，如果c是奇数，那么两部分的尺寸将会是和以确保所有通道都被包含在内，假设分割后的张量为v，计算公式如式(1)所示：
20、v＝f.chunk(2，1)(1)
21、式中，v数组为切割后的结果，f为输入张量chunk(2，1)为切割函数，切割函数中2表示切割为两份，1为沿着通道纬度切割；
22、步骤2.1.2，将步骤2.1.1所得到的张量作为输入，分别引导其通过具有n×n卷积核和步长为1的卷积层，得到两个新的张量，分别记为y[0]，y[1]，为网络的进一步处理提供了特征表示，计算公式如下式所示：
23、y[0]＝cv1(v1) (2)
24、y[1]＝cv1(v2) (3)
25、式中，y[0]，y[1]为经过切割和卷积的输出，cv1(v1)，cv1(v2)为卷积操作，v1，v2为步骤2.1.1输出。
26、步骤2.2通过池化、卷积和激活函数操作来串联实现，具体按以下步骤实施：
27、步骤2.2.1，构建平均池化，卷积核为1×1卷积操作，计算公式如式(4)所示：
28、
29、式中，为经过平局池化和卷积后得结果，conv1×1()为卷积操作，pavg()为平均池化，y[1]为步骤2.1.2的输出；
30、步骤2.2.2，构建水平卷积层和垂直卷积层，水平卷积卷层积核在水平方向为11，垂直方向步长为1，垂直卷积层卷积核在水平方向上为1，垂直方向上为11，计算公式如下式所示：
31、
32、fh＝h_convh×1(fw) (6)
33、式中，w_conv1×v()为卷积核为1×11的水平卷积，h_convh×1()为卷积核为11×1的垂直卷积，fw为水平卷积的结果，fh为垂直卷积的结果；
34、步骤2.2.3，构建激活函数与卷积操作生成动态的注意力权重，强化图像中的关键区域，计算公式如式(7)所示：
35、fca＝sigmoid(conv(fh)) (7)
36、式中，sigmoid为激活函数，conv()为卷积核为1×1的卷积，fca为生成动态的注意力权重；
37、步骤2.3中将经过步骤2.1.2分割得到的输出y[0]，在其经过步骤2.2的锚点注意力模块处理后，与y[1]进行重新整合，具体按照以下步骤实施：
38、步骤2.3.1，构建锚点特征序列en，n∈{1，2，3..n}，步骤2.1.2的分割输出y[0]，经过锚点特征序列en，得到高层次的特征表示，并且通过重复应用来逐步细化这些特征，计算公式如式(8)所示：
39、
40、式中，ca()为锚点注意力模块，为求和操作，en为得到的锚点特征序列；
41、步骤2.3.2，构建融合模块，将步骤2.3.1输出与步骤2.1.2分割得到的输出y[1]在通道维度进行融合，然后采用卷积核为1×1卷积操作对特征图进行调整，确保其在空间维度上更加高效，计算公式如式(9)所示：
42、fout＝conv1×1(cat(y[1]，en)) (9)
43、式中，cat()为concatenate链接函数，特征在通道维度进行拼接。
44、步骤3具体按以下步骤实施：
45、步骤3.1，构建自适应全局调制模块；
46、步骤3.2，构建多尺度特征金字塔融合模块，将不同尺寸的感受野的特征进行池化和融合。
47、步骤3.1具体按以下步骤实施：
48、步骤3.1.1，通过非局部组间调制来引导相应像素之间的融合，减小跨尺度特征间的语义差异；
49、步骤3.1.2，通过上下文聚合模块增强局部特征与全局上下文之本文档来自技高网...
【技术保护点】
1.基于改进YOLOv8算法的轨道病害检测方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于改进YOLOv8算法的轨道病害检测方法，其特征在于，所述步骤1具体按照以下步骤实施：
3.根据权利要求1所述的基于改进YOLOv8算法的轨道病害检测方法，其特征在于，所述步骤2具体按照以下步骤实施：
4.根据权利要求3所述的基于改进YOLOv8算法的轨道病害检测方法，其特征在于，所述步骤2.1具体按照以下步骤实施：
5.根据权利要求3所述的基于改进YOLOv8算法的轨道病害检测方法，其特征在于，所述步骤2.2通过池化、卷积和激活函数操作来串联实现，具体按以下步骤实施：
6.根据权利要求1所述的基于改进YOLOv8算法的轨道病害检测方法，其特征在于，所述步骤3具体按以下步骤实施：
7.根据权利要求6所述的基于改进YOLOv8算法的轨道病害检测方法，其特征在于，所述步骤3.1具体按以下步骤实施：
8.根据权利要求7所述的基于改进YOLOv8算法的轨道病害检测方法，其特征在于，所述步骤3.1.
9.根据权利要求6所述的基于改进YOLOv8算法的轨道病害检测方法，其特征在于，所述步骤3.1.2具体按以下步骤实施：
10.根据权利要求1所述的基于改进YOLOv8算法的轨道病害检测方法，其特征在于，所述步骤4具体按照以下步骤实施：
...【技术特征摘要】
1.基于改进yolov8算法的轨道病害检测方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于改进yolov8算法的轨道病害检测方法，其特征在于，所述步骤1具体按照以下步骤实施：
3.根据权利要求1所述的基于改进yolov8算法的轨道病害检测方法，其特征在于，所述步骤2具体按照以下步骤实施：
4.根据权利要求3所述的基于改进yolov8算法的轨道病害检测方法，其特征在于，所述步骤2.1具体按照以下步骤实施：
5.根据权利要求3所述的基于改进yolov8算法的轨道病害检测方法，其特征在于，所述步骤2.2通过池化、卷积和激活函数操作来串联实现，具体按以下步骤实施：
【专利技术属性】
技术研发人员：宋霄罡，黄贺祥，岳子鑫，黑新宏，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。