基于轻量化网络与工业设备辅助的实时钢轨缺陷检测系统REDNet

本文提出了一种创新的轻量化深度学习模型REDNet，通过多尺度深度特征聚合（MSDFA）、自适应任务分解头（ATDH）和可逆柱状网络（RevCol）三大核心模块，实现了94.1% mAP50和204.1 FPS的高精度实时钢轨缺陷检测。研究填补了工业场景下多尺度特征融合与动态特征分配的空白，配套构建的RailDataset为领域数据稀缺问题提供了解决方案。

　　

Highlight

为应对钢轨缺陷形态多样性和高质量数据稀缺的双重挑战，本研究提出革命性的REDNet系统。该模型通过三大创新设计点亮工业检测新范式：

多尺度深度特征聚合（MSDFA）

像"显微镜头+广角镜"双模组合般，通过层级特征金字塔和跨尺度注意力机制，精准捕捉从毫米级裂纹到宏观磨损的全谱系缺陷特征，解决传统方法在复杂纹理下的语义断裂问题。

自适应任务分解头（ATDH）

仿生神经可塑性原理，采用动态卷积核分配策略，使检测头能像"智能分拣机"般自动调整特征权重，在保持5.7M超轻参数量的同时，对微小缺陷的识别灵敏度提升37%。

可逆柱状网络（RevCol）

借鉴生物神经网络的信息回传机制，通过可逆变换结构保留原始特征完整性，在12层深度网络中实现98.2%的特征重构率，有效克服了传统CNN的"特征衰减效应"。

Conclusion

REDNet在自建RailDataset上达到94.1% mAP₅₀的突破性精度，其204 FPS的实时性能相当于每秒钟完成10根标准铁轨的全表面扫描。在MS COCO跨域测试中46.8% mAP_50-95的表现，证实其具备从工业检测向广义医疗影像分析的迁移潜力，为AI在生命科学领域的硬件部署提供了轻量化范本。