基于YOLOv5网络模型对铁路轨道障碍物检测与识别

文/王海军 何艳 周豪 岳进

铁路运输是我国重要的公共运输方式，保证铁路轨道处于正常状态是至关重要的。因此基于自建数据集，通过YOLOv5网络模型实现对铁路轨道的识别，实验表明，YOLOv5对铁路轨道检测召回率达到94.4%，精确率达到62.7%，mAP达到93.1%。具有较好的检测精度，同时也具有鲁棒性。

1.引言

随着我国经济发展，铁路已成为不可或缺的交通运输方式，保证铁路在运行过程中的安全问题已经成为目前关注的重点[1，2]。我国铁路具有里程数长，所处环境复杂等特点。采用传统的人工巡检方式无法有效及时发现铁路轨道中出现的故障信息，容易出现漏检的现象。且人工巡检依赖巡检人员的经验，耗费时间长，物资消耗大，已经无法适用于当前铁路的发展需要[3]。目前采用智能化算法对铁路的目标检测成为当下的研究热点。文献[4]采用图像处理技术对轨道板裂缝进行检测，首先对图像预处理，对图像二值化和裂缝合并等操作实现对裂缝的定位。文献[5]针对轨道扣件中拍摄环境和条件的干扰采用深度学习算法YOLO网络对轨道图像定位，基本上达到检测实时性的要求。文献[5]针对钢轨的检测鲁棒性和精度较差的问题，采用Hu不变矩阵实现对轨道跟踪，具有较好的鲁棒性。本文采用深度学习算法YOLOv5实现对铁路轨道的检测与定位，通过对轨道图像的标注训练YOLOv5网络，最终在测试集上测试轨道检测定位效果。

2.YOLOv5网络介绍

YOLOv5是YOLO（YouOnlyLookOnce）系列网络的延续，是2020年由UltrayticsLLC公司提出的一种高性能目标检测网络，其权重文件相比于YOLOv4更小，速度更快[7，8]。其网络结构如图1所示。

图1 YOLOv5网络结构

在网络输入端通过对数据增强增加网络的自适应能力，更有效地增加网络对小目标的检测精度。在网络输入之前需要将图像尺寸固定，本文采用640×640×3的尺寸对图像输入，初始锚 框 采 用[10，13，16,30，33，23]，[30，61，62，45，59，119]，[116，90，156，198，373，326]。在骨干网络部分包含有Focus操作，该操作可以将图像切片为几个部分的堆叠，如将640×640×3的图像可以变为320×320×12的特征图，随后对特征图训练学习目标特征信息。其中CBL操作由卷积层、归一化层和Leakyrelu组成，是网络中的基本单元。YOLOv5借鉴YOLOV4的思想，采用CSP结构。CSP1_x用于骨干网络中，CSP2_x用于颈部网络中使用。该结构可以增强网络学习能力，降低计算成本同时也能保持网络的轻量性。在网络输出端采用GIOU作为边界框的损失函数，如公式（1）所示：

3.实验及结果

本实验在处理器为Intel(R)Core(TM)i3-8100CPU@3.60GHz，运行内存16G，显卡为NVIDIA1070TI8G，Python3.7下进行。

3.1 图像标注

使用开源软件labelimg对采集图像进行标注，该软件支持Window系统和linux系统对图像标注，如图2所示，通过人工标注方法确定图像中轨道所在位置信息，并将信息保存为xml格式。

图2 labelimg标注

标注后的结果如图3所示，在该XML文件中保存有图像名称、图像格式、图像所在位置、图像尺寸和标注的轨道在图像中x的最大最小值和y坐标下最大最小值。

图3 标注信息

3.2 网络训练。网络训练阶段设置学习率为0.01，衰减系数为0.0005，迭代次数为300次，动量为0.937。网络评价指标有召回率（Recall）、精确率（Precision）和mAP。其公式如（2）（3）所示，其中TP代表预测为正类实际为正类的情况，FN代表实际为正类而预测为负类的情况。

采用tensorbox可以查看网络训练情况，本文以300epoch作为完整训练周期。图4为GIOU_Loss，从图中可以看到初始训练阶段GIOU_Loss值较高，随着训练次数的增加GIOU_Loss不断减小，当训练次数达到250次时Loss值逐渐趋于稳定，此时网络模型训练基本达到最优，Loss值为0.01182，表明收敛效果较好，训练完成。

图4 GIOU_Loss

从图5中可以看到在0~45次时网络mAP处于一个增幅振荡的状态，说明网络此时并不稳定，需要继续学习增强网络的检测精度。当迭代次数达到50次时，此时mAP开始趋于稳定，并保持在1的附近。当训练完成后mAP值为1，表明训练效果显著，能有效实现对铁路轨道的目标检测。图6中(a)为训练的精确率，（b）为训练的召回率。从图中明显可以看到精确率在训练初始阶段处于振荡上升过程，随着次数的增加，精确率随之变化较小，伴随着轻微的振荡，最终在200个训练周期后趋于稳定，稳定后精确率保持在0.95附近，表明此时网络模型收敛，具有最佳的精度。在(b)中的召回率中可以看到在前50次迭代中网络振荡较大，不够稳定。50次迭代后召回率趋于稳定，并保持在1附近，说明YOLOv5网络具有较好的召回率，能够正确识别铁路轨道。

图5 训练mAP

图6 精确率与召回率

3.3YOLOv5测试结果

训练完成后使用test.py文件对网络模型进行测试。其实验结果如表1所示，从表格中可以看到，网络模型中YOLOv5的精确率为62.7%，召回率为94.4%，在IOU为0.5时mAP为93.1%，具有较高的检测精度，可以满足铁路轨道检测的要求。

表1 实验结果

图7为网络识别结果，（a）为未经过图像处理的铁路轨道图像，（b）为逆时针旋转后的铁路轨道图像，（c）为顺时针旋转后的铁路轨道图像，（d）为图像缩放后的轨道图像。从图像中可以看到无论是旋转还是缩放，训练后的模型都可以实现对图像轨道的识别，表明模型检测效果显著，具有较好的鲁棒性。

图7 网络识别结果

4.结论

本文采用YOLOv5模型对铁路轨道进行识别，并介绍图像的标注过程，展示训练过程中召回率、精确率和mAP的变化曲线，表明网络能较好用于铁路中轨道的识别。在测试过程，对图像翻转与缩放处理网络仍能较好地识别轨道，表明YOLOv5在铁路轨道识别中具有一定的实用价值。C