基座模型分割先验的列车故障轻量化检测OA

货运列车的故障检测对于保障铁路运输安全和提升运营效率至关重要。然而,受限于高昂的计算成本,视觉基座模型难以直接部署于资源受限的轨旁检测设备。针对这一问题,提出一种融合特征知识迁移、注意力增强及逻辑感知蒸馏的轻量化故障检测框架,旨在将基座模型的先验知识高效地迁移至可部署模型。首先,利用多源预训练策略,结合FastSAM的语义表征优势与YOLOE的检测能力,构建了特征融合的学生网络模型。其次,在骨干网络中引入轻量化特征增强模块,以提升模型在复杂视觉工况下的特征提取与表征能力。最后,设计了一种逻辑感知多组件蒸馏策略,将教师模型的丰富知识压缩至学生模型,在保持低计算成本的同时显著提升检测精度。在自建货运列车故障数据集上的实验结果表明,该方法在大幅降低模型参数量与浮点运算量的同时,实现了具有竞争力的检测精度,展现了在边缘侧设备进行实时部署的巨大潜力。