Las grietas que aparecen en la superficie de las traviesas pueden representar un riesgo para la seguridad del transporte ferroviario. Los métodos existentes para la detección de grietas en los rieles tienen problemas como baja generalización, baja precisión y baja tasa de recuperación. Se propone un algoritmo de detección de grietas en rieles basado en una versión mejorada de YOLOv5s, llamado YOLOv5s-CBE. Primero, el módulo de atención CA se añade al módulo principal C3 y entre C3 y SPPF, capturando relaciones de canal e información espacial desde dos dimensiones, mejorando la capacidad de extracción de características de la red principal YOLOv5s. Luego, en la parte Neck de YOLOv5s, se utiliza BiFPN para fusionar información a múltiples escalas, obteniendo mapas de características de salida con rica información semántica; al mismo tiempo, la estructura de pirámide de fusión bidireccional ponderada ajusta el aporte de los mapas de características de diferentes escalas a la salida mediante pesos, optimizando la fusión de características, reduciendo la pérdida de información durante la convolución y mejorando la precisión de detección. Finalmente, la función de pérdida CIoU original de YOLOv5s se reemplaza por EIoU. EIoU considera no solo la distancia del punto central y la relación de aspecto, sino también las diferencias reales de ancho y alto entre la caja predicha y la caja verdadera, mejorando la precisión de predicción de la caja ancla. En comparación con la red original YOLOv5s, la red de detección de grietas YOLOv5s-CBE en un conjunto de datos casero redujo el tamaño del modelo en 1.0 MB, aumentó la precisión mAP en un 3.7%, incrementó la tasa de recuperación del 73.5% al 76.2%, redujo las detecciones perdidas de grietas de diferentes tamaños, demostrando cierta superioridad y valor práctico.

grietas en rieles; YOLOv5s; mecanismo de atención de coordenadas; fusión de características; función de pérdida