As fissuras na superfície das travessas podem representar riscos à segurança do transporte ferroviário. Os métodos existentes para detecção de fissuras nos trilhos apresentam problemas como baixa generalização, baixa precisão e baixa taxa de recall. Propõe-se um algoritmo de detecção de fissuras nos trilhos baseado em uma versão aprimorada do YOLOv5s, chamado YOLOv5s-CBE. Primeiro, o módulo de atenção CA é adicionado ao módulo principal C3 e entre o C3 e o SPPF, capturando relações de canal e informações espaciais em duas dimensões, melhorando a capacidade de extração de características da rede principal YOLOv5s. Em seguida, na parte Neck do YOLOv5s, utiliza-se BiFPN para fundir informações em diferentes escalas, obtendo mapas de características de saída com rico conteúdo semântico; ao mesmo tempo, a estrutura piramidal bidirecional de fusão ponderada ajusta, por meio de pesos, a contribuição dos mapas de características de diferentes escalas para a saída, otimizando a fusão de características, reduzindo a perda de informações durante a convolução e melhorando a precisão da detecção. Por fim, a função de perda CIoU original do YOLOv5s é substituída pela EIoU. A EIoU considera não apenas a distância dos pontos centrais e a razão de aspecto, mas também as diferenças reais na largura e altura entre a caixa prevista e a caixa real, melhorando a precisão da previsão das caixas âncora. Em comparação com a rede original YOLOv5s, a rede de detecção de fissuras YOLOv5s-CBE, em um conjunto de dados caseiro de fissuras, reduziu o tamanho do modelo em 1,0 MB, aumentou a precisão mAP em 3,7%, elevou a taxa de recall de 73,5% para 76,2%, reduziu as falhas de detecção de fissuras de diferentes tamanhos, apresentando certa superioridade e valor prático.

fissuras nos trilhos; YOLOv5s; mecanismo de atenção coordenada; fusão de características; função de perda