基于多尺度密集注意力网络（MSDA-Net）的钢轨超声B扫描图像缺陷检测方法

《Applied Sciences》：A Defect Detection Method for Rail Ultrasonic B-Scan Images Based on a Multi-Scale Dense Attention Network

　　

钢轨内部缺陷对铁路运营安全构成重大威胁，超声B扫描（B-scan）成像为可视化钢轨亚表面状态提供了一种有效的无损检测方法。然而，B扫描图像的人工判读耗时且严重依赖操作人员经验。为克服这一问题，研究人员提出了一种多尺度密集注意力网络（Multi-scale Dense Attention Network, MSDA-Net），用于钢轨超声B扫描图像的自动分类。所提出的网络集成了空洞卷积（dilated convolution）、多尺度密集特征提取和基于注意力的特征重标定，以捕获不同空间尺度下的缺陷特征，同时增强具有判别性的缺陷相关区域。研究构建了一个包含536幅超声B扫描图像的数据库用于模型训练与评估，这些B扫描图像采集自多条铁路区段。实验结果表明，MSDA-Net取得了0.909的准确率（Accuracy），宏精确率（macro Precision）为0.867，宏召回率（macro Recall）为0.845，宏F1分数（macro F₁-score）为0.848。对比实验和消融实验进一步验证了所提出的网络结构在钢轨缺陷分类中的有效性。

钢轨内部缺陷（如横向裂纹、螺栓孔裂纹和轨底裂纹）是铁路基础设施安全运营的重大隐患，可能引发行车脱轨等灾难性事故。超声检测因穿透力强且对材料不连续敏感，成为钢轨无损评价的常用手段；其中B扫描（B-scan）成像能提供钢轨内部结构的二维纵向截面，在钢轨探伤中应用广泛。然而，传统B扫描图像判读严重依赖操作人员的经验，不仅耗时且难以满足大范围铁路网络的频繁巡检需求。近年，深度学习方法已在钢轨缺陷识别中展现出潜力，但仍存在两个关键瓶颈：其一，现有模型多依赖单尺度卷积特征，难以捕捉不同尺寸与空间分布的缺陷特征；其二，常规卷积神经网络缺少自适应突出显著缺陷特征并抑制冗余背景响应的机制。密集连接（DenseNet）可增强特征传播与复用，注意力机制则能灵活强化关键特征、提升表征能力。受到二者启发，研究人员提出了一种基于多尺度密集注意力网络（MSDA-Net）的钢轨超声B扫描图像自动分类方法，并在工业数据集上验证了其潜力，相关成果发表于《Applied Sciences》。

研究人员设计了一个端到端的分类框架MSDA-Net，其核心由初始特征提取模块、双分支空洞卷积模块、多尺度密集注意力模块和分类器构成。初始模块采用7×7卷积核提取底层图像特征。双分支空洞卷积模块中，第一分支由膨胀率1和2的两个连续3×3卷积组成，提取局部与中程特征；第二分支由膨胀率3和4的连续3×3卷积组成，从更大感受野捕获上下文信息，两分支输出拼接后经1×1卷积融合。多尺度密集注意力模块包含三个平行分支，卷积核大小分别为3×3、5×5和7×7，分别侧重局部细节、中等尺度缺陷特征和大尺度空间分布；每个分支内含四个密集注意力模块，每个模块由密集块和注意力过渡层组成。密集块通过前层与后层的直接连接促进信息流动与特征复用，瓶颈层设计（BN-ReLU-1×1，后接BN-ReLU-k×k）用于提升效率，增长率为32。注意力过渡层通过全局/局部平均池化、1×1卷积、ReLU与Sigmoid激活实现对特征图的自适应重标定，增强有用缺陷响应并抑制背景噪声。三个分支输出的512维特征向量拼接为1536维全局特征，经两个全连接层和Softmax层映射至五个类别（非缺陷、轨头、轨腰、轨底及其他）。模型使用交叉熵损失和带动量的随机梯度下降法（SGD）优化，学习率0.001，批大小16，训练130轮，并采用L₂正则化防止过拟合。研究样本来源于中国洛阳、南阳、月山和张家口四个铁路区段，共536幅由GCT-8C超声探伤仪（配备七组探头、九个检测通道）采集的512×512像素B扫描图像，其中非缺陷样本190幅，轨头缺陷198幅，轨腰缺陷119幅，轨底缺陷18幅，其他缺陷11幅；模型训练与评估采用分层五折交叉验证。

**总体测试结果（General Test Results）**：通过分层五折交叉验证聚合五折的折外预测并构建混淆矩阵发现，MSDA-Net的平均分类准确率为0.909，宏精确率为0.867，宏召回率为0.845，宏F₁分数为0.848。对于非缺陷、轨头和轨腰类别，模型识别性能稳定（如非缺陷类的精确率0.928±0.019，F₁分数0.932±0.005），混淆矩阵显示大部分样本被正确分类；相比之下，轨底类和“其他”类因样本量少，精确率、召回率和F₁分数出现较大标准差（如轨底类F₁分数0.750±0.186），表明少数类别对单次预测错误更为敏感。加权平均指标（精确率0.908、召回率0.909、F₁分数0.908）显示模型对占比较高的类别分类效果良好，而较低宏平均指标也揭示了少数类别的局限性。

**与基线模型的对比分析（Comparative Performance Analysis with Baseline Models）**：研究人员将MSDA-Net与CNN、ResNet-101、DenseNet-121、EfficientNet-B7及Swin Transformer-Tiny（Swin-T）在相同数据划分下进行对照。结果显示，简单CNN的准确率最低（0.836±0.005），难以区分复杂超声回波特征。ResNet-101借助残差连接提升至0.875±0.008；DenseNet-121因密集连接提升至0.882±0.005；EfficientNet-B7通过复合扩展达到0.894±0.004；Swin-T凭借层级移动窗口自注意力获得0.903±0.005的准确率。MSDA-Net取得最高准确率0.909±0.005。进一步采用精确McNemar检验发现，MSDA-Net与EfficientNet-B7比较的p值为0.096，与Swin-T比较的p值为0.629，说明其性能已达到Transformer架构的同等竞争力水平。

**消融实验（Ablation Experiment）**：通过移除网络中的多尺度卷积结构、密集连接机制或注意力模块构建多个变体，研究人员评估了各组件贡献。基础骨干模型准确率仅0.841±0.005；移除密集连接后准确率降至0.873±0.005；移除多尺度卷积后准确率降至0.884±0.006；移除注意力机制后准确率降至0.894±0.004。完整MSDA-Net在所有评价指标上均为最优，证明多尺度卷积捕获不同尺度缺陷特征、密集连接增强特征复用、注意力机制突出关键区域并抑制背景冗余，三者功能互补，共同提升分类鲁棒性。

**类别不平衡处理策略的影响（Effect of Class-Imbalance Handling Strategies）**：由于轨底和“其他”类样本稀缺导致指标波动，研究人员引入了数据增强（角度旋转和高斯噪声扰动）与类加权交叉熵损失。实验表明，单独使用数据增强将宏召回率从0.845提升至0.858，宏F₁分数从0.848提升至0.859；单独采用类加权损失将宏召回率提升至0.867；两者联合使用后，模型准确率达到0.912±0.004，宏精确率为0.876±0.023，宏召回率为0.876±0.009，宏F₁分数为0.874±0.009，相比原始策略，宏召回率和宏F₁分数分别提升3.06和2.57个百分点，有效缓解了类别不平衡带来的偏差。

**计算复杂度和推理时间分析（Computational Complexity and Inference Time Analysis）**：MSDA-Net参数量约为36.6 M，虽然多于CNN、ResNet-101、DenseNet-121和Swin-T，但少于EfficientNet-B7。在NVIDIA RTX 3090 GPU上，对3×512×512尺寸的B扫描图像，MSDA-Net单张处理耗时约16.2 ms，吞吐量约为61.7帧/秒，满足离线或近实时超声钢轨检查的速度需求，在分类性能、模型复杂度和推理效率之间取得了合理平衡。

在讨论部分，研究人员总结了MSDA-Net通过空洞卷积扩大感受野、密集连接促进特征复用以及注意力机制进行自适应特征重标定的协同作用，将其与消融实验结果相联系，证明各模块对提升钢轨缺陷分类性能均不可或缺；同时指出少数类样本量有限仍是影响模型稳定性的主要制约因素，扩充数据集和改进类平衡策略是未来工作的核心方向。研究结论可概括为：本研究提出了一种基于MSDA-Net的钢轨超声B扫描图像缺陷自动分类方法。通过融合空洞卷积、多尺度密集连接和注意力机制，该方法有效提取了多尺度回波特征，增强了特征复用，并自适应强化了关键缺陷相关响应。在涵盖正常钢轨及轨头、轨腰、轨底和其他缺陷类别的工业数据集上，采用分层五折交叉验证评估显示，MSDA-Net在所有对比模型中达到了最高准确率0.909，宏F₁分数为0.848。消融实验进一步确认了各结构模块对分类性能的贡献。加入数据增强和类加权损失后，准确率和宏F₁分数分别提升至0.912和0.874。尽管该方法在实际钢轨检测中展现出较强的工程应用潜力，但少数缺陷类别的性能仍受到样本量有限的制约；后续工作将聚焦于扩充数据集与完善类平衡学习策略。