轮轨踏面损伤检测算法综述
Research on Track Wear Using Object Detection Technology
摘要: 随着人工智能技术的迅猛发展，面对种类繁多的轮轨踏面损伤，深度学习提供了一种高效、准确、自动化的检测算法，有助于及时发现和处理踏面损伤问题，提升铁路运行的安全性和可靠性。本文将详细阐述了Canny边缘检测算法、Faster R-CNN算法、YOLO算法和SSD算法等四种算法的基本原理、研究现状及其存在的不足，并对进一步研究进行了展望。
Abstract: With the rapid development of artificial intelligence technology, in the face of a wide variety of wheel-rail tread damage, deep learning provides an efficient, accurate and automated detection algorithm, which is helpful to timely discover and deal with tread damage problems, and improve the safety and reliability of railway operation. In this paper, the basic principles, research status and shortcomings of Canny edge detection algorithm, Faster R-CNN algorithm, YOLO algorithm and SSD algorithm are described in detail, and further research is prospected.
文章引用：李知宇, 李士心. 轮轨踏面损伤检测算法综述[J]. 计算机科学与应用, 2023, 13(7): 1465-1472. https://doi.org/10.12677/CSA.2023.137145

参考文献

[1] 谢毅, 肖杰. 高速铁路发展现状及趋势研究[J]. 高速铁路技术, 2021, 12(2): 23-26.
[2] 宋腾. 车轮踏面磨损检测技术研究与仪器开发[D]: [硕士学位论文]. 青岛: 青岛大学, 2017.
[3] 肖乾, 姜雄峰, 刘海涛, 等. 铁道车轮踏面损伤实时监测方法研究综述[J]. 华东交通大学学报, 2021, 38(4): 99-112. [Google Scholar] [CrossRef] 
[4] 李靖, 王慧, 闫科, 等. 改进Canny算法的图像边缘增强方法[J]. 测绘科学技术学报, 2021, 38(4): 398-403.
[5] 申嘉锡, 齐华, 王晨. Canny算子对图像边缘检测的一种改进[J]. 现代计算机, 2022, 28(3): 46-49.
[6] 杜绪伟, 陈东, 马兆昆, 刘方全. 基于Canny算子的改进图像边缘检测算法[J]. 计算机与数字工程, 2022, 50(2): 410-413, 457.
[7] 刘成刚, 刘二林, 姜香菊. 改进Canny算子的列车轮对踏面边缘检测算法[J]. 铁道机车车辆, 2021, 41(1): 22-25.
[8] Guo, L.G. and Wu, S.T. (2023) FPGA Im-plementation of a Real-Time Edge Detection System Based on an Improved Canny Algorithm. Applied Sciences, 13, Ar-ticle 870. [Google Scholar] [CrossRef] 
[9] 张静, 农昌瑞, 杨智勇. 基于卷积神经网络的目标检测算法综述[J]. 兵器装备工程学报, 2022, 43(6): 37-47.
[10] 杜紫薇, 周恒, 李承阳, 等. 面向深度卷积神经网络的小目标检测算法综述[J]. 计算机科学, 2022, 49(12): 205-218.
[11] 郑茹丹, 李金龙, 张渝, 等. 基于改进Faster R-CNN的车轮踏面缺陷检测[J]. 中国铁路, 2021(3): 131-135. [Google Scholar] [CrossRef] 
[12] 邓姗姗, 黄慧, 马燕. 基于改进Faster R-CNN的小目标检测算法[J]. 计算机工程与科学, 2023, 45(5): 869-877.
[13] 罗晖, 贾晨, 芦春雨, 等. 基于改进Faster R-CNN的钢轨踏面块状伤损检测方法[J]. 计算机应用, 2021, 41(3): 904-910.
[14] 何静, 余昊宇, 张昌凡, 等. 基于Canny-YOLOv3的列车轮对踏面损伤检测[J]. 电子测量与仪器学报, 2019, 33(12): 25-30.
[15] Trilla, A., Bob-Manuel, J., Lamoureux, B. and Vilasis-Cardona, X. (1892) Integrated Multiple-Defect Detection and Evaluation of Rail Wheel Tread Images Using Convolutional Neural Networks. International Journal of Prognostics and Health Management, 12, 1-19
[16] 周晋伟, 王建平. YOLO物体检测算法研究综述[J]. 常州工学院学报, 2023, 36(1): 18-23, 88.
[17] 孙耀泽, 高军伟. 基于改进YOLOv5的轮对踏面缺陷检测[J]. 激光与光电子学进展, 2022, 59(22): 220-226.
[18] 沈希忠, 吴迪. 基于YOLO的铝型材料表面小缺陷检测[J]. 浙江工业大学学报, 2022, 50(4): 372-380.
[19] 卢亚辉, 张纬华, 和飞飞, 等. 图像数据采集及智能识别技术研究[J]. 机电工程技术, 2023, 52(2): 163-167.
[20] 张力, 黄丹平, 廖世鹏, 等. 基于目标检测网络的轮对踏面缺陷检测方法[J]. 激光与光电子学进展, 2021, 58(4): 236-245.
[21] Liu, W., Anguelovd, E., et al. (2016) SSD: Single Shot Multibox Detector. In: Leibe, B., Matas, J., Sebe, N. and Welling, M., eds., Computer Vision—ECCV 2016, Springer, Cham, 21-37. [Google Scholar] [CrossRef] 
[22] 韦正璐, 王家晨, 刘庆华. 基于改进SSD算法的路面破损检测[J]. 电子设计工程, 2023, 31(3): 63-68. [Google Scholar] [CrossRef] 
[23] 陈德海, 孙仕儒, 王昱朝, 等. 改进SSD算法的小目标检测研究[J]. 传感器与微系统, 2023, 42(3): 65-68, 72.
[24] 王贺, 樊星. 基于改进SSD的轻量级目标检测算法[J]. 测试技术学报, 2023, 37(2): 152-157.
[25] 阎馨, 杨月川, 屠乃威. 基于改进SSD的钢材表面缺陷检测[J]. 现代制造工程, 2023(5): 112-120. [Google Scholar] [CrossRef]