融合多尺度特征与可变形注意力的机车圆弹簧缺陷检测方法

目的机车圆弹簧缺陷检测对机车的安全运行至关重要，受限于检测车间复杂环境的影响，机车圆弹簧缺陷检测存在漏检、误检及检测效率低下的问题，为此，提出一种基于改进RT-DETR（real-time detection Transformer）的机车圆弹簧缺陷检测方法。方法首先，应用结构重参数化（structural re-parameterization，Rep）方法来改进部分卷积（partial convolution， Pconv），构建重参数化的部分卷积（Rep-Pconv）替换原始主干中的Basic block；其次，在基于注意力的尺度内特征交互（attention-based intra-scale feature interaction，AIFI）模块中引入可变形注意力（deformable attention，DA）机制修正原有结构中的多头自注意力机制（multi-head self-attention），提高模型对局部区域的关注度；最后，在颈部网络添加P2检测层，结合尺度序列特征融合（scale-sequence feature fusion，SSFF）思想与三重特征编码器（triple feature encoder，TFE）结构，构建轻量的跨尺度特征信息融合模块。结果利用自建机车圆弹簧缺陷数据集对所提方法进行验证，相较于原始的RT-DETR算法，改进后RT-DETR算法在参数量减少54%的同时，将mAP50提升至97.2%，提高2.8%，精度以及召回率分别提升0.8%和1.2%；与YOLOv5s、YOLOv8s、YOLO11s和YOLO12s相比，所提算法在多项指标上表现出显著优势。结论本文所改进的RT-DETR机车圆弹簧缺陷检测算法，能够有效应对机车圆弹簧在车间复杂环境检测的要求，通过实验验证并与当前主流目标检测算法进行对比分析，结果表明所提算法在实验数据集上表现优异。