一种基于YOLOv8n的动车车身故障检测方法OA

随着我国高速铁路的快速发展,动车组列车的安全运行对动车车身故障检测提出了更高要求。动车车身故障检测的核心难点集中于3大关键问题:一是低照度环境导致图像细节丢失,故障特征辨识度大幅降低;二是故障尺度跨度显著(从几像素的细微断裂到数百像素的大面积漏油),多尺度目标同步检测难度大;三是故障形态复杂、边缘特征模糊且与背景相似度高,易受管线、阴影等干扰导致漏检误检。传统人工巡检效率低、实时性差,现有的动车组运行故障图像检测系统(trouble of moving EMU detection system,TEDS)依赖传统模板匹配算法,在复杂场景下仍存在精度不足、漏检误检率高等瓶颈,难以满足智能化检测需求。针对上述痛点,提出一种基于深度学习的动车车身故障检测方法。通过对动车组车头异物、盖板打开、防松铁丝断裂、涂层脱落及漏油这5大类典型故障的视觉特征进行剖析,并经多组严谨对比实验验证后,最终选定高效单阶段目标检测模型YOLOv8n作为本研究的基础检测框架。针对实际检测场景中低照度环境导致的图像细节丢失、质量不佳问题,引入基于限制对比度自适应直方图均衡化(contrast limited adaptive histogram equalization,CLAHE)的图像增强方法,有效提升了输入图像的细节清晰度与视觉质量,为后续故障检测提供高质量数据支撑。为进一步突破检测性能瓶颈,针对上述故障目标存在的尺度差异显著、形态结构复杂、边缘特征模糊及与背景相似度高的共性问题,提出改进型网络结构YOLOv8-DCNet:其中,多尺度扩张残差融合模块(C2f with dilation-wise residual,C2f_DWR)通过不同扩张率卷积核的特征捕捉与残差连接的信息传递,有效解决故障目标尺度差异大的难题;上下文与空间特征校准网络(context and spatial feature calibration network,CSFCN)则借助全局上下文关联建模与局部空间注意力权重分配,显著提高对边缘模糊特征的识别精度,强化复杂背景下故障目标的区分能力。最终模型在精确率、召回率、mAP50及mAP50-95上分别提高7.88%、6.62%、6.65%和11.53%。