قد تتسبب التشققات التي تظهر على سطح حواجز القضبان في مخاطر أمنية على حركة السكك الحديدية. تواجه طرق كشف تشققات القضبان مشاكل مثل ضعف العمومية، انخفاض الدقة، وانخفاض معدل الاستدعاء. لذا قدمنا خوارزمية كشف تشققات القضبان YOLOv5s-CBE المبنية على تحسين YOLOv5s. أولاً، تم دمج وحدة الانتباه CA في وحدة C3 الأساسية وكذلك بين C3 وSPPF، لالتقاط علاقات القنوات والمعلومات المكانية من أبعاد القنوات والمكان، مما يزيد من قدرة استخراج الميزات في الشبكة الأساسية YOLOv5s. ثم في جزء Neck في YOLOv5s، يُستخدم BiFPN لدمج معلومات متعددة المقاييس، للحصول على خرائط ميزات ذات معلومات دلالية غنية؛ كما أن هيكل هرم دمج الميزات ثنائي الاتجاه الموزون يحسن تأثير دمج الميزات من خلال تعديل الأوزان لمساهمة خرائط الميزات بمقاييس مختلفة في المخرجات، مما يقلل فقدان معلومات الميزات أثناء التلافيف ويزيد الدقة. وأخيرًا، تم استبدال دالة الخسارة CIoU الأصلية في YOLOv5s بـ EIoU، التي لا تأخذ فقط في الاعتبار مسافة النقاط المركزية ونسبة العرض إلى الارتفاع، بل أيضًا الفروق الحقيقية في عرض وارتفاع الإطار المتوقع والإطار الحقيقي، مما يحسن دقة التنبؤ بصناديق الربط. مقارنةً بالشبكة الأصلية YOLOv5s، أظهر نموذج YOLOv5s-CBE على مجموعة بيانات تشققات القضبان الخاصة انخفاضًا في حجم النموذج بمقدار 1.0 ميغابايت، زيادة في الدقة mAP بمقدار 3.7٪، ارتفاع معدل الاستدعاء من 73.5٪ إلى 76.2٪، وتقليل حالات الافتقاد للتشققات ذات الأحجام المختلفة، مما يبرز تفوقه وقيمته العملية.

تشققات القضبان; YOLOv5s; آلية الانتباه بالإحداثيات; دمج الميزات; دالة الخسارة