基于改进的实时物体检测方法对铁路货运车辆关键部件的研究

《Scientific Reports》：Research on key components for railway freight vehicles based on improved real-time object detection methods

　　

摘要

在铁路货运车辆中检测关键组件面临着对象类别多样、尺度变化大、结构边界模糊以及背景干扰复杂等诸多挑战。为解决现有基于Transformer的实时检测方法，如RT-DETR，在多尺度表示和小物体建模方面的不足，本研究提出了一种改进的实时检测框架。该框架引入了一种轻量级的动态混合卷积网络来替代部分主干网络结构，通过自适应动态核分配机制，在保持较大感受域的同时显著降低计算成本和参数数量。所提出的PSM-DyT模块是一种改进的混合Transformer单元，融合了Pola线性注意力、动态归一化以及频域增强机制，能够更有效地提取复杂场景中小尺度组件的细粒度特征和边缘纹理信息。此外，还设计了一种改进的Pyramid-IEL融合模块，作为基线RepC3结构的替代方案，用于缓解跨尺度特征不平衡问题，提升系统在恶劣环境下的稳定性。另外，Inner-Shape-IOU损失函数在传统IoU基础上加入了内部结构一致性约束，从而提高了对小型和不规则目标的定位精度。在自行构建的货运车辆数据集上的实验表明，所提出的DAF-DETR在实现大幅轻量化的同时，还使精确度、召回率以及mAP@50值分别提升了1.2%、2.7%和2.5%。在VisDrone2019数据集上的进一步验证显示，mAP@50值又提升了2.2%，这充分证明了该方法的有效性和通用性。