个人卖家：
科技与几何感
创建于：2025-08-25
基于多尺度特征融合的高铁轮对踏面缺陷检测算法
￥299.00
| 使用环境 |
在高铁轮对检修车间，使用高分辨率相机对轮对踏面进行拍摄，拍摄图像的最大分辨率为416×416。该算法适用于不同光照条件下的轮对踏面图像处理，能够有效应对因设备抖动、油污、锈蚀等因素导致的图像噪声问题。 |
| 使用对象 |
高铁轮对踏面的各类缺陷，包括踏面磨损、划痕、破损 |
| 使用目的 |
自动检测高铁轮对踏面缺陷，提高检测效率和准确性，减少人工分析图像的工作量，及时发现潜在安全隐患，保障高铁的安全稳定运行。 |
| 输入数据 |
高铁轮对踏面的可见光波段图像帧。 |
| 输出数据 |
缺陷的分类结果（磨损、划痕、破损）、缺陷区域的分割图像、缺陷的位置坐标、缺陷的尺寸信息（长度、宽度）。 |
| 硬件配置 |
CPU：Intel Core i7-9700；GPU：NVIDIA GeForce RTX 2080；内存：16GB；拍摄装置：高分辨率相机，最大分辨率416×416； |
| 样本获取 |
从中国中车集团有限公司株洲车辆工厂轮对车间获取图像数据，共筛选出278张轮对踏面图像，包括204张缺陷样本和74张正常样本。按照一定比例分为训练集和测试集，同时添加一定数量的正常轮对图像作为负样本，以符合实际应用场景中的数据分布。 |
| 测试结果 |
对84张轮对踏面缺陷图像进行测试，漏检率为11.3%，误检率为5.45%。在mAP@0.5指标上，MFF-YOLOv4算法达到了0.8625，相比YOLOv4（0.7606）等基础算法有显著提升。 |
| 执行速度 |
识别速度约27ms/次 |
| 资源消耗 |
针对上述硬件配置，运行算法时，CPU平均占用率约为35%-45%，GPU平均占用率约为65%-75%，内存使用占比约35%-45%。 |
| 源码类型 |
Python版本源码。 |
| 文件大小 |
算法程序文件35KB，权重文件60MB。 |
| 相关备注 |
本算法基于改进的YOLOv4，结合多尺度特征融合模块，针对高铁轮对踏面小目标缺陷检测进行了优化，在提高检测精度的同时，降低了模型复杂度，提升了推理速度，具有较高的工程应用价值。 |
