编辑推荐：
钢轨表面缺陷通常尺度较小、对比度较低，且易与钢材质纹理或镜面反射相混淆，使得在不增加模型成本的前提下提升检测精度较为困难。本研究提出ESiV-YOLOv8，一种紧凑型检测器，在YOLOv8n中对特征选择、边界框回归和多尺度融合分配互补性改进：有效通道重标定（E
钢轨表面缺陷通常尺度较小、对比度较低，且易与钢材质纹理或镜面反射相混淆，使得在不增加模型成本的前提下提升检测精度较为困难。本研究提出ESiV-YOLOv8，一种紧凑型检测器，在YOLOv8n中对特征选择、边界框回归和多尺度融合分配互补性改进：有效通道重标定（EffectiveSE）对深层骨干特征进行重标定，SIoU（Scylla Intersection over Union）提供方向感知回归，VoV-GSCSP/GSConv颈部降低冗余计算。评估采用自建四类数据集（4020幅图像）、近重复感知（near-duplicate-aware）训练-验证-测试划分及匹配的七种子（seven-seed）实验。ESiV-YOLOv8实现了97.7%精确率（precision）、94.6%召回率（recall）、97.2% mAP@0.5和68.6% mAP@0.5:0.95。相对于YOLOv8n，mAP@0.5:0.95提升5.0个百分点（percentage points, pp），参数（parameters）和GFLOPs分别降低17.1%和12.2%。在自然条件组合子集上，ESiV-YOLOv8达到59.6% mAP@0.5:0.95，较基线提升5.6个百分点。标注审计（annotation audit）获得98.0%类别一致性（class agreement）和0.89的平均框IoU（Intersection over Union）。模型级和端到端延迟分别增加1.4%和2.2%。总体而言，ESiV-YOLOv8在测试后端上以有限延迟开销提升了检测精度并缩减了模型规模。
**一、研究背景与现存问题**
钢轨表面缺陷在重复滚动接触、冲击、磨损及环境暴露条件下逐步发展，若未能在早期被发现，局部损伤可能不断扩展并危及轨道运营安全。机器视觉检测能够提供非接触、高通量的缺陷定位，然而现场图像中缺陷通常尺度小、对比度低、形态不规则，且与打磨纹路、污染物或镜面反射在视觉上高度相似，导致图像解释面临较大困难。传统钢轨视觉系统多依赖人工设计的对比度、形态学、滤波或显著性线索，此类方法的阈值和描述子对光照变化、材质纹理和噪声十分敏感。深度卷积检测器能够学习任务特定表示并实现端到端定位，其中单阶段检测器无需独立区域提议阶段，在检测精度与计算成本间取得实际平衡，因而被广泛用于钢轨检测场景。
然而，近期研究虽在特征提取、多尺度融合、注意力机制和边界框回归等方向取得进展，但这些设计选择之间的交互关系对紧凑型钢轨表面检测任务而言仍未被充分解决。特征强化、边界框回归与颈部简化往往在不同模型或不同数据集上分别评估，难以分离其联合效应；同时，参数或GFLOPs的下降并不必然转化为特定推理后端上的延迟降低。因此，如何在保持紧凑模型规模的同时系统性提升钢轨表面缺陷检测精度，是该领域亟待解决的问题。
**二、研究内容与核心结论**
针对上述问题，研究人员设计了一种紧凑型钢轨表面缺陷检测网络ESiV-YOLOv8，将三个互补模块分配到不同功能位置：有效通道重标定模块（EffectiveSE）仅嵌入最深层骨干C2f模块中，对语义特征进行通道重标定；边界框回归损失函数SIoU（Scylla Intersection over Union）替代原有的CIoU，在训练中引入角度感知的中心与形状对齐；VoV-GSCSP/GSConv轻量级颈部替换了原颈部的四个融合块和
