基于结构保真图像生成与自集成注意优化的铁路轨道异物检测方法OA

为解决铁路轨道异物检测中训练样本稀缺、复杂场景适应性差以及小目标检测能力弱等问题,提出一种融合图像生成与模型结构优化的智能检测方法。在数据增强方面,将通道注意力机制与感知损失函数引入条件生成对抗网络,以提升合成图像的结构保真度与语义一致性,构建出涵盖动物、汽车、行人等典型目标的多类别铁轨异物合成图像集。该方法在生成效果上兼顾自然度与细节表达,各类别结构相似性指数均超过0.88,峰值信噪比最高达到29.77。在模型优化方面,基于YOLOv11构建检测模型,融合自集成注意力机制与多尺度差异融合模块。其中,自集成注意力机制增强浅层特征对关键区域的响应能力,多尺度差异融合模块显式建模跨尺度语义差异以强化特征融合表达。实验结果表明,该模型在mAP@0.5与mAP@0.5∶0.95上分别达到0.981和0.922,展现出优异的小目标检测性能与复杂背景下的鲁棒性。通过消融实验进一步验证两模块的独立增益效果和联合优化优势,相较原始YOLOv11模型,在稳定性与适应能力上得到提升。与YOLOv8、YOLOv10以及不同优化策略组合的代表模型对比结果显示,所提出模型在真实场景中的误检率与漏检率更低,对小目标、遮挡、与复杂背景特征相似的异物具有更强的检测能力,具备更高的应用价值与潜力。研究结果为铁路智能运维系统中的轨道异物检测提供了高性能、可扩展的解决方案。