多尺度CNN-Transformer混合网络

复杂环境下扣件缺陷精准识别

结合局部细节与全局语义特征，提升复杂环境下铁路扣件缺陷检测的鲁棒性。

Jin, He · 王卫 · 吕凤毛 · Luo, Haonan · Zhang, Gexiang · Chen, Zhenghua

IEEE Transactions on Intelligent Transportation Systems 2025

参数信息

检测准确率提升

2.8 %

检测准确率提升

2.9 %

检测缺陷数量

2000

技术优势

复杂环境也能识别

网络交替提取局部细节与全局语义特征并进行多尺度融合，增强了对遮挡、运动模糊、视角变化和积水等干扰的鲁棒性。

检测更准

相比现有CNN-Transformer混合网络，检测准确率提升2.8%；相比其他扣件缺陷检测算法，提升2.9%。

实际部署已验证

部署在40多列火车上，成功检测出超过2000处扣件缺陷，证明了其在多样且具有挑战性条件下的有效性。

应用场景

• 铁路安全监测：自动识别扣件缺陷，预防因扣件失效导致的脱轨事故。
• 工业缺陷检测：在复杂工业视觉场景中提升缺陷识别的鲁棒性。
• 计算机视觉检测：结合局部与全局特征，提高视觉检测的准确率。
• 机器人视觉检测：为机器人视觉系统提供复杂环境下的扣件缺陷识别能力。