RSD-YOLO：用于钢轨表面缺陷检测的轻量级模型

《Expert Systems with Applications》：RSD-YOLO:A Lightweight Model for Rail Surface Defect Detection

　　

摘要

随着铁路行业的快速发展，保障铁路运营安全对轨面缺陷检测的效率与精度提出了日益严格的要求。针对传统检测方法效率低下以及现有基于深度学习的方法在计算复杂度、模型轻量化与检测精度之间难以平衡的问题，本文提出了一种轻量级轨面缺陷检测模型，命名为RSD-YOLO。该模型在YOLO11n的基础上，将HSFPN模块引入颈部网络以增强多尺度特征融合，同时保持架构的轻量化。在主干网络中，集成了ADown下采样与RFE感受野增强模块，以提升对小尺度轨道缺陷的检测性能。此外，采用了一种Ultra-LSPPF轻量池化模块和基于MBConv卷积重构的检测头，从而在降低模型复杂度的同时系统性提升整体性能。在轨面缺陷数据集上的实验结果表明，与原始YOLO11n相比，RSD-YOLO的参数量、FLOPs和模型大小分别减少了62%、57%和58%。在检测指标方面，该模型的精确率从73.2%提升至76.7%，绝对提升3.5个百分点，相对改善4.8%。同时，mAP@0.5从79.9%变化为79.2%，仅略有下降0.7个百分点。该模型的推理速度达到142 FPS，表明RSD-YOLO在模型轻量化、推理效率、精确率和mAP@0.5之间取得了良好平衡，适用于实时轨面缺陷检测，具有重要的工程应用价值。

引言

铁路是国家经济的基础性和战略性行业，不仅是重要的公共交通工具，也是能源和重要物资输送的关键骨干。作为铁路运输系统的核心组成部分，钢轨承受着巨大的轴重载荷并引导列车运行，其表面状态直接影响着铁路运营的安全性与可靠性（Chen, 2023）。随着铁路网络的快速扩张以及列车速度和轴重的持续增长，钢轨不可避免地遭受轮轨相互作用力、温度变化、环境腐蚀以及制造工艺等因素的长期劣化作用，从而导致各种表面缺陷的形成。根据GB/T 2585-2017《铁道用热轧钢轨》及相关检测标准，轨面缺陷一般可分为裂纹和掉块、压陷以及磨耗三类。统计研究表明，全球超过30%的铁路交通事故与轨面缺陷直接相关，若此类缺陷未能被及时发现和修复，可能导致列车运行过程中振动和噪声增加，严重情况下甚至引发钢轨断裂或列车脱轨事故，对铁路运营安全构成严重威胁。目前，轨面缺陷检测仍主要依赖人工巡检和目视检查，尤其在夜间或复杂条件下，巡检人员通常使用手电筒、检测锤或简单仪器逐段检查钢轨。该方法劳动强度大、效率低下且主观性强，容易受到光照条件、天气变化和操作员疲劳的影响，导致检测结果不稳定、漏检率高。因此，传统检测方法已无法满足现代高速铁路对高精度、实时和智能检测的严格要求，迫切需要提供高效的轨面缺陷检测与状态监测技术，以确保运营安全、降低维护成本并延长钢轨使用寿命。

早期的轨面缺陷检测研究主要依赖传统计算机视觉算法和物理传感技术，包括灰度分析、纹理特征提取、超声波检测和电磁导波检测等。这些方法在特定条件下能够识别裂纹和掉块等表面或内部缺陷；然而，它们通常存在对光照变化和噪声干扰敏感性高、检测效率低以及难以实现自动化大规模检测等局限性。Cui（2024）提出了一种基于小波变换结合改进Canny边缘检测器的轨面缺陷检测算法。尽管该方法相对简单易实现，但对口照条件和噪声高度敏感，容易导致误检和漏检。Guo（2023）采用电磁超声导波技术进行钢轨裂纹无损检测，通过激发单一导波模式实现了较高的信噪比；然而，检测效率相对较低，不适合大规模钢轨检测场景。Galan（2018）利用灰度阈值分割和连通域分析来检测缺陷阴影区域。虽然该方法在一定程度上提高了缺陷区域的可视化可解释性，但其鲁棒性有限，在复杂背景环境下检测性能显著下降。

近年来，随着深度学习技术的快速发展，基于卷积神经网络（CNN）的智能检测方法逐渐取代传统检测手段，成为轨面缺陷检测的主要研究方向。然而，在检测精度与模型轻量化之间实现有效平衡仍是一项重大挑战，促使研究人员提出了各种改进的基于深度学习的检测模型。CanYang（2025）通过优化感受野、引入轻量化结构修改并采用SIoU损失函数，对YOLOv8进行了增强，用于轨面缺陷检测，在精确率和召回率方面均有所提升，但参数量相对较大。Chen和Zhang（2020）基于Faster R-CNN构建了轨面缺陷检测模型，并在自建数据集上取得了较高的平均精度，但模型复杂度仍然较高。Zhao等（2024）提出了基于YOLO-FCA的轨面缺陷检测算法，将YOLOv7的主干网络替换为轻量化的FasterNet并引入CloAttention模块，有效减少了参数量并降低了模型复杂度，但仍需进一步轻量化优化。Gong等（2024）将SE注意力机制嵌入YOLOv8主干网络，并引入空间深度可分离卷积（SPD-Conv）替代传统卷积模块，以计算参数增加的代价实现了约6.2%的mAP@50提升。Liu（2022）利用Ghost瓶颈优化了YOLOv5s的主干网络，显著减少了参数量和计算成本，尽管检测精度仍有待提高。Liu（2025）引入了在线可扩展多样化分支块（OSDBBELAN）替代YOLOv9中的RepN瓶颈，并设计了空间深度可分离卷积（SPD-DSC）以降低计算开销，但精度有一定下降。Cai等（2024）通过引入坐标注意力（CA）改进了MobileNetV3的反转残差块，并将其融入基于YOLOv5的框架中，减少了参数量但增加了计算成本。Zheng（2025）提出了一种轻量级检测网络TLAD-YOLO，用于探地雷达B扫描图像，通过引入空间-通道协同多形状注意力机制（SCSMSA）和Ghost卷积，在实现铁路隧道衬砌异常检测精度和鲁棒性提升的同时显著减少了参数量。Du（2025）开发了一种多模态轻量检测框架MLE-YOLO，集成了轻量下采样模块和高效检测头，F1分数提升了3.6%，mAP提升了3.0%，同时模型参数减少了15.8%，模型大小减少了7.1%，FLOPs减少了3.2%。Li等（2025）提出了一种轻量级实时检测模型CMD-YOLO，具有自适应P23检测头、集成深度可分离卷积与SE注意力的CDCHead模块以及Shape-IoU损失函数，在复杂环境中有效增强了对密集小目标的检测精度和鲁棒性，同时显著减少了模型参数。Yao（2025）将C3k2_WTConv特征提取模块、Downown下采样和DySample上采样结构引入YOLOv11以改进检测性能。Fan（2025）提出了一种轻量检测模型YOLO-APGC，通过引入自适应下采样PP-Block和部分分组洗牌跨尺度特征融合网络（PG-CCFN），构建了工业场景下的新BGA数据集，实现了参数量减少68.21%、GFLOPs减少54.32%以及FPS提升9.1%。Pang（2025）将ADFEM和SimAM注意力机制集成到主干网络中形成AS特征结构，并采用了瘦长VoV-GSCSP颈部设计，在NEU-DET公开数据集上显著减少了参数量和计算复杂度，满足了实际应用需求。

尽管在轨面缺陷检测领域已经积累了大量研究成果，但仍存在若干亟待全面解决的关键挑战。传统检测方法通常受限于传感器灵敏度不足、易受信号噪声干扰以及对复杂环境条件适应性差等问题，难以实现微裂纹、掉块和疲劳损伤等早期精准识别。基于视觉的深度学习检测方法虽然显著提高了检测精度和鲁棒性，但通常依赖于具有大量参数和高计算复杂度的复杂模型架构，导致推理速度慢且硬件资源需求大。因此，这些模型往往难以满足现场检测和实时嵌入式部署的要求。此外，许多轻量化改进策略（Zhang, et al., 2024）虽然在减少模型大小方面有效，但常常以牺牲特征提取能力为代价，使得在检测精度与计算效率之间取得最优平衡变得困难。

针对上述挑战，本文聚焦于模型结构优化和多目标检测集成，提出了一种基于改进YOLO11n架构的轻量级轨面缺陷检测模型。该方法旨在在最大程度保持检测精度的同时显著降低模型复杂度，从而实现对轨面缺陷和关键部件的高效可靠识别。本工作为铁路智能检测和安全的运行维护提供了技术支持。本文的主要研究贡献总结如下：

（1）构建了一种面向轨面缺陷检测的轻量级检测框架，命名为RSD-YOLO，适用于实时和资源受限的部署需求。本文并未将每个轻量算子宣称为独立的创新点，而是聚焦于根据轨面缺陷的特点——包括小目标尺度、弱纹理、复杂背景干扰和有限计算资源——对主干网络、颈部网络和检测头进行协调式重新设计。

（2）将现有的轻量算子（包括ADown和MBConv）引入并适配到基于YOLO11n的检测器中以减少冗余计算。同时，将基于HS-FPN的特征融合颈部、RFE模块和新提出的Ultra-LSPPF池化模块（基于SPPF结构构建）进行组织，以增强多尺度表示、感受野建模和上下文特征聚合，同时保持紧凑的模型结构。

（3）进行了全面的实验，包括轻量模块对比、卷积模块对比、池化模块对比、消融实验、模型级对比和可视化检测分析，以验证RSD-YOLO在平衡检测精度、参数量、计算成本、模型大小和推理速度方面的有效性。

章节摘要

模型轻量化设计

YOLOv11由Ultralytics开发，是一代新的目标检测算法，在前几代版本的基础上引入了重要的架构和训练改进。它集成了改进的模型结构、先进的特征提取技术和优化的训练策略，在速度、精度和效率之间实现了显著平衡。改进的设计增强了特征提取能力（Ferdi, 2026），使其即使在复杂环境中也能更准确地识别关键模式，并且实验

数据集

本文所采用的数据集是从Roboflow平台公开发布的轨面缺陷图像中整理而成的。下载归档包中包含的元数据文件表明，原始数据集遵循知识共享署名4.0国际许可协议（CC BY 4.0）分发。为了增强实验的可重复性和透明度，我们重新组织了研究中使用的完整数据集，并通过GitHub仓库公开发布。此

环境配置

本研究的模型训练在运行Ubuntu 20.04系统的平台上进行，使用PyTorch 2.0.0深度学习框架，Python 3.8和CUDA 11.8。硬件配置包括一块具有24GB显存的NVIDIA RTX 3090 GPU和一颗15核Intel Xeon Platinum 8358P CPU @ 2.30GHz。模型训练所使用的具体参数详见表1。所有模型均在相同配置下评估以测量FPS。报告的FPS值反映的是依赖于硬件的

结论

为了解决移动设备和低算力嵌入式设备（Falaschetti, 2023）上常见的部署瓶颈——其特征为参数量高且难以在轻量化设计与检测精度之间取得平衡——本文提出了一种基于YOLO11n模型的轻量改进方案，命名为RSD-YOLO。首先，设计并集成了HS-FPN模块到颈部网络以实现架构轻量化。

其次，传统的Conv模块被替换为利益冲突声明作者声明，他们没有已知的竞争经济利益或个人关系可能会影响本文报告的工作。孙世正|张莹|董少江|郑帅