基于多任务级联的动车裙板螺栓缺陷检测算法_徐文辉.pdf

实 验 技 术 与 管 理 第 40 卷 第 10 期 2023 年 10 月 Experimental Technology and Management Vol.40 No.10 Oct.2023 收稿日期:2023-05-23 基金项目:国家自然科学基金项目（62176100）作者简介:徐文辉（1981），男，湖北武汉，博士，主要研究方向为计算机视觉、嵌入式系算法加速，。通信作者:何顶新（1966），男，湖北武汉，博士，教授，主要研究方向为计算机控制技术、嵌入式系统、机器人控制技术，hedingxin 。引文格式:徐文辉，钟胜，邹旭，等.基于多任务级联的动车裙板螺栓缺陷检测算法J.实验技术与管理,2023,40(10):63-69.Cite this article:XU W H,ZHONG S,ZOU X,et al.Multi-task cascading-based defect detection method for skirt bolts of EMUJ.Experimental Technology and Management,2023,40(10):63-69.(in Chinese)ISSN 1002-4956 CN11-2034/T DOI:10.16791/ki.sjg.2023.10.010 基于多任务级联的动车裙板螺栓缺陷检测算法 徐文辉1,2，钟 胜1,2，邹 旭1,2，何顶新1（1.华中科技大学 人工智能与自动化学院，湖北 武汉 430074；2.华中科技大学 多谱信息智能处理技术全国重点实验室，湖北 武汉 430074）摘 要：为了提高动车检修效率和准确性，设计了一种基于多任务级联的动车裙板螺栓缺陷检测算法。首先结合螺栓缺陷特征的先验知识，在 YOLOv3 的基础上引入注意力机制，采用通道级拼接方式引入螺栓的边缘特征图，引导检测网络学习鲁棒的螺栓缺陷特征，检测螺栓是否缺失；然后对螺栓局部区域进行语义分割，获得防松标记线信息，并基于这些信息判断是否存在螺栓松动和标记线缺失等缺陷。实验结果表明，该检测算法显著提升了动车裙板螺栓缺陷的检测性能，与 YOLOv3 相比，平均准确率提升 11.3%，平均召回率提升 13.6%。关键词：动车检修；螺栓缺陷检测；多任务级联；注意力引导；YOLO 中图分类号：TP274.5 文献标识码：A 文章编号：1002-4956(2023)10-0063-07 Multi-task cascading-based defect detection method for skirt bolts of EMU XU Wenhui1,2,ZHONG Sheng1,2,ZOU Xu1,2,HE Dingxin1(1.School of Artificial Intelligence and Automation,Huazhong University of Science and Technology,Wuhan 430074,China;2.National Key Laboratory of Multispectral Information Intelligent Processing Technology,Huazhong University of Science and Technology,Wuhan 430074,China)Abstract:To improve the efficiency and accuracy of EMU Inspection and Repairment,a multi-task cascading-based defect detection method for skirt bolts is proposed.Firstly,based on the prior knowledge of bolt defect features,an attention mechanism is introduced on YOLOv3 by injecting edge feature maps through channel splicing,which leads the detection network to learn robust bolt defect features and detect whether bolts are missing.Then,semantic segmentation is applied to the local areas of the bolts,and the marked lines are detected and fitted.With the information on the marked lines,the other defects(including loose bolts and missing marked lines)can be detected.The experimental results show that the detection method significantly improves the performance of defect detection for the skirt bolts of EMU.Compared to YOLOv3,the average accuracy is improved by 11.3%,and the average recall is improved by 13.6%.Key words:EMU inspection and repairment;bolts defect detection;multi-task cascading;attention guidance;YOLO 1 背景 动车检修是确保高铁安全运行的重要措施，随着动车组保有量的迅速增长（预计 2025 年底，我国高铁营业里程将达到 5 万公里左右，动车组保有量将超过5 000 标准组），动车检修工作面临巨大压力。目前动车检修仍以人工检修为主1，存在检修需求大、工人工作强度大、误检与漏检率高等问题。亟需将人工智64 实 验 技 术 与 管 理 能应用于动车检修领域，提高检修效率，增强检修可靠性，为铁路运输安全提供强有力的保障。为促进铁路信息化建设，2005 年我国提出铁路车辆安全防范预警系统（简称“5T”系统），开启了车辆智能检修的序幕2。近年来，相继开发了用于货车故障检测的货车运行故障动态图像检测系统（trouble of moving freight car detection system，TFDS）3和用于客车检修的客车运行故障轨边图像检测系统（train coach machine vision detection system，TVDS)4。此类系统都是利用轨边高速相机捕捉运行中的列车图像，并将图像上传至控制室由检修工人进行缺陷判断。2016 年，动车组运行故障动态图像检测系统（trouble of moving EMU detection system，TEDS）投入使用。该系统由部署在轨道内部和两侧的面阵相机和线阵相机获取动车底部、转向架以及侧边裙板等可视部位的图像，再利用图像识别单元发现故障并告警5。由于受室外成像条件限制，TEDS 在实际使用中存在漏检和误检率较高问题。巡检机器人也是动车检修领域的研究热点6-11，该类巡检机器人可自主移动，利用图像或声学技术对动车关键部件故障进行检测，有效提高了动车检修效率。但这些巡检机器人均针对动车底部缺陷进行检测，还未见针对动车裙板部分的巡检机器人。螺栓缺陷检测算法根据采用特征的不同，可分为基于手工设计特征12-17和基于神经网络18-28两大类。陈燕等12基于边缘特征，对 TFDS 系统中的心盘螺栓是否存在缺失故障进行检测。ZANG Y 等13提取图像中螺栓部位的 SIFT14特征，根据模板匹配对比采集到的图像与模板图像之间的差异，判断螺栓是否存在缺陷。刘炎钊等15利用 Hough 变换对六边形螺栓区域图像进行检测，并根据螺栓边的角度信息判断螺栓是否存在松动缺陷。吴梦迪16使用多特征融合，并采用两阶段级联方法对螺栓缺陷进行检测，提高了缺陷检测的实时性和准确性。基于神经网络的螺栓缺陷检测算法是利用卷积神经网络来提取螺栓的显著特征，进而完成螺栓缺陷检测。SUN J 等19利用卷积神经网络提取螺栓边缘特征，并应用于检测螺栓松动缺陷。赵江平等20先用 Faster R-CNN21进行螺栓定位，然后使用分类网络对螺栓区域进行判断，检测是否存在螺栓缺失缺陷。戚银城等22在 Faster R-CNN 基础上引入多注意力机制，有效降低了螺栓缺陷检测的漏检率和误检率。刘伟铭等23在YOLOv224的基础上，通过引入空间金字塔池化（spatial pyramid pooling，SPP）提高了螺栓缺陷的检测效果。王振等25将 YOLOv326应用到钢轨螺栓缺陷检测任务中，提高了检测的实时性，但对细小缺陷的检测能力不理想。杨培盛等27利用二值分割网络检测出地铁螺栓上的标记线，并根据拟合直线的斜率判断螺栓松动缺陷。上述螺栓缺陷检测方法多针对特定螺栓的某一类缺陷进行检测，如螺栓缺失或螺栓松动。但实际应用中动车裙板螺栓可能会发生多种缺陷，如螺栓缺失、松动、标记线缺失等。而且动车裙板在运行过程中与空气、灰尘等接触多，螺栓及周围区域易附着脏污，影响缺陷检测效果。此外，实际应用中存在缺陷的螺栓样本较少，网络难以学习到鲁棒的缺陷特征，检测性能难以保证。针对上述问题，本文设计了一种基于多任务级联的动车裙板螺栓缺陷检测算法。将动车螺栓缺陷检测任务中多种缺陷类型的检测分为两步，首先基于螺栓自身及其周围局部区域的特征检测是否存在螺栓缺失，然后再利用螺栓对应标记线信息判断是否存在螺栓松动和标记线缺失。此外，针对螺栓缺陷样本少、网络难以学习到鲁棒缺陷特征问题，通过引入注意力机制，利用螺栓缺陷先验知识引导网络学习螺栓缺陷特征，有效提高了螺栓缺陷分类的准确性。2 基于多任务级联的动车裙板螺栓缺陷检测算法 2.1 整体框图 在动车检修过程中，检修工人常常利用防松标记线（螺栓上涂抹的带有颜色的涂料）来直观辨别螺栓的松动缺陷。但受风吹日晒及脏污附着等因素影响，标记线可能会出现颜色变淡或被遮盖等情况，影响螺栓松动缺陷判别，因此，防松标记线的缺失，也和螺栓缺失、松动一样，是一种螺栓缺陷类别，需要检测出来并向检修工人告警。基于多任务级联的动车裙板螺栓缺陷检测算法整体框架如图 1 所示，主要包括边缘特征通道拼接、螺栓定位及缺失检测、标记线缺失和螺栓松动检测三部分。首先利用边缘提取算子获得动车裙板图像的边缘特征，再将边缘特征图通过通道拼接方式与原始图像拼接在一起，得到红（R）、绿（G）、蓝（B）和边缘特征（M）四个通道的图像数据。然后，将四通道图像数据送入到 YOLOv3 网络进行检测，对动车裙板螺栓进行定位，并检测螺栓是否存在缺失缺陷。接着，将螺栓区域裁剪出来，送入到金字塔场景解析网络（pyramid scene parsing network，PSPNet）分割出防松标记线，并根据标记线的分割结果判断标记线是否缺失。如标记线未缺失，则根据螺栓螺母上的标记线和垫片上的标记线之间的夹角判断是否存在螺栓松动缺陷。徐文辉，等：基于多任务级联的动车裙板螺栓缺陷检测算法 65 图 1 基于多任务级联的动车裙板螺栓缺陷检测算法整体框图 2.2 注意力引导下的 YOLOv3 螺栓缺失检测算法 动车裙板螺栓尺寸相对于裙板尺寸很小，并且容易受脏污影响，因此在实时采集的动车裙板图像中，螺栓部分呈现出尺寸小、特征少的特点，再加上实际应用中的螺栓缺陷样本数量较少，如何稳定地提取动车裙板螺栓的鲁棒特征，进而判断是否存在缺陷并非易事。通过分析大量实际动车裙板螺栓样本，发现螺栓具有较丰富的边缘信息，因此可利用注意力机制引导网络关注与螺栓边缘相关的特征信息，从而提高螺栓缺陷的检测性能。在不同的注意力机制（通道注意力、空间注意力、时间注意力等）中，通道注意力旨在加强算法对特定特征的关注，更适合于动车裙板螺栓缺陷检测任务。如图 1 所示，左上角边缘特征图通道拼接部分，对于动车裙板图像（彩色图像，含 RGB 三个通道），首先使用边缘检测算法提取边缘特征图，并将其转换为与原始动车裙板图像分辨率相同的单通道灰度图，然后与原始动车裙板图像进行通道级拼接，生成一个四通道的 RGBM 图像。在网络训练过程中，使用生成的 RGBM 四通道动车裙板图像替换原来的RGB 三通道动车裙板图像，送入 YOLOv3 网络进行训练，利用 M 通道特征的引导作用，引导网络更关注对螺栓边缘特征信息的学习，使网络能够通过少量动车裙板螺栓缺陷样本学习到鲁棒的螺栓缺陷特征，提升检测性能。常用的边缘提取算子有 Roberts 算子、Sobel 算子、Laplacian 算子和 Canny 边缘检测算法等。Roberts 算子是基于交叉差分的梯度算法，采用局部差分进行边缘特征提取，其水平和垂直方向的卷积模板如图 2(a)所示。Sobel 算子结合了高斯滤波和微分求导，其边 图 2 边缘提取算子卷积模板 66 实 验 技 术 与 管 理 缘定位更准确，常用于噪声较多、灰度渐变的图像，其水平和垂直方向的卷积模板如图 2(b)所示。Laplacian算子属于二阶微分算子，通过对邻域中心像素的四方向或八方向求梯度，再利用梯度运算的结果对中心点像素灰度进行调整，其卷积模板如图 2(c)所示。Canny边缘检测算法通常使用 Sobel 算子作为梯度算子，在边缘提取后增加了非极大值抑制，避免了多条相似边缘线的重复提取，并通过增加一高一低双阈值判断对一阶微分算子进行优化，可以捕捉到图像中的微弱边缘信息。本文分别使用上述四种边缘提取方法获取边缘特征图，并用于 YOLOv3 网络的训练和螺栓缺陷检测。实验结果表明，四种边缘提取方法都能有效引导网络学习到动车裙板螺栓特征，提高螺栓缺陷检测性能，详细对比结果见本文实验部分。2.3 基于标记线检测的螺栓缺陷检测算法 螺栓松动是常见的螺栓缺陷类型，正常状态和松动状态的动车裙板螺栓如图 3 所示，依据螺栓螺母和垫片的标记线是否对齐能有效判断螺栓是否松动。图 3 螺栓正常（左）和螺栓松动（右）2.3.1 标记线检测及缺失判断 为了精确定位不同位置处的标记线，本文使用PSPNet 分割算法实现螺栓标记线检测。PSPNet 是一种高效的语义分割算法，通过引入金字塔池化模块（pyramid pooling module，PPM），提取到不同细粒度的特征，从而获取不同尺寸的语义信息。该算法可以有效地将全局信息与局部信息融合在一起，利用图像中的上下文语义信息，提高分割精度。部分螺栓标记线检测结果如图 4 所示，图中螺母、垫片和裙板上的标记线分别使用不同颜色进行标示。图 4 螺栓标记线检测结果示例 基于螺栓标记线的检测结果可以进行标记线缺失判断，判断依据为是否同时包含螺母上的标记线和垫片上的标记线。当未检测出螺母或垫片上的标记线时，则判断为防松标记线缺失，否则判断为标记线未缺失。2.3.2 螺栓松动缺陷检测 当标记线未缺失时，可以利用螺母和垫片上两条标记线之间的角度差异来判断螺栓是否松动，其流程如图 5 所示。如图 5 所示，依据螺栓标记线缺失缺陷检测结果，当标记线未缺失时，首先对标记线进行二值化，再检测标记线的轮廓，然后使用最小二乘法对标记线进行直线拟合。当拟合后的直线数量为 1 时，说明螺栓螺母、垫片上的标记线在一条直线上，此时螺栓良好，不存在螺栓松动缺陷。当拟合后的直线数量为 2 时，需要计算拟合直线之间的夹角，并与预先设定的阈值进行比较。夹角小于阈值时，螺栓螺母和垫片上的标 图 5 螺栓松动缺陷检测流程 徐文辉，等：基于多任务级联的动车裙板螺栓缺陷检测算法 67 记线只存在微小的角度差异，可以判断螺栓良好，不存在松动缺陷；反之，夹角大于或等于阈值时，则判定螺栓存在松动缺陷。判断螺栓松动的夹角阈值越小，螺栓松动缺陷的漏检率越低，但同时可能会出现一些不必要的虚警。该阈值一般可依据检修工人的经验进行设置，本文的阈值设置为 5。部分拟合直线夹角示例如图 6所示。图 6 拟合直线夹角示例 3 实验设置与结果分析 3.1 实验设置 本次实验中，共采集到实际动车裙板图像 118 张，通过添加不同类型和强度的噪声，并采取色彩域（亮度）变换等数据增强方式对数据集进行扩增，共获得动车裙板图像 3 672 张，从中随机选取 3 136 张图像构成训练集，其余的 536 张图像作为测试集。所有实验均在个人计算机（CPU：I7-7700K；GPU：GTX1080Ti；内存：32 GB）上进行，操作系统为 Ubuntu-18.04，CUDA 版本为 10.1，Pytorch 版本为 1.8.0。YOLOv3 训练参数设置如表 1 所示。表 1 YOLOv3 训练参数设置 参数 参数值 批大小 8 优化器 SGD 学习率 0.001 动量 0.9 训练尺寸 640640 学习尺寸 640640 训练轮次 15 在标记线检测任务中，在对螺栓区域的标记线进行标注时，将标记线按所在位置分为三类：位于螺栓螺母上的标记线（tag1）；位于螺栓垫片上的标记线（tag2）；位于动车裙板上的标记线（tag3）。其中，位于螺栓螺母和螺栓垫片上的标记线之间的夹角是判断螺栓是否松动的关键。PSPNet 网络的训练参数设置如表 2 所示。表 2 PSPNet 训练参数设置 参数 参数值 批大小 2 优化器 SGD 学习率 0.01 动量 0.9 权重正则项参数 0.000 5 训练尺寸 512512 学习尺寸 512512 迭代次数 20 000 3.2 评价指标 本实验针对动车裙板螺栓缺陷检测任务，选取准确率（precision，P）和召回率（recall，R）作为螺栓缺陷检测的评价指标。准确率表示类别预测正确的螺栓占预测为该类别螺栓总数的比例，计算公式如下：TPPrecisionTPFP=+（1）召回率表示类别预测正确的螺栓占该类别螺栓总数的比例，计算公式如下：TPRecallTPFN=+（2）其中，TP 表示正类预测为正类，FN 为正类预测为负类，FP 为负类预测为正类。3.3 实验结果分析 本文中，动车裙板螺栓状况包括螺栓缺失、螺栓松动、标记线缺失以及螺栓正常四种类别。不同螺栓缺陷检测方法在四种类别上的准确率和召回率如表 3所示。其中，第二列为 YOLOv3 的检测结果，R-YOLOv3、S-YOLOv3、L-YOLOv3 和 C-YOLOv3 为引入通道注意力机制，分别使用 Roberts、Sobel、Laplace 和 Canny算子获取边缘特征图，对 YOLOv3 进行改进的四种算法。最后一列为本文提出的基于多任务级联的检测方法（边缘特征提取算法选用了 Sobel 算子）。表中的粗体字表示性能最优的结果。从表中可以看出，与原始的 YOLOv3 检测算法相比，引入通道注意力机制后的四种改进算法的性能提升明显，特别是召回率 R 都有较大幅度的提高，说明引入边缘特征通道的有效性。本文方法在平均准确率和召回率上都取得了最优，与 YOLOv3 相比，准确率和召回率分别提升了 11.3%和 13.6%；与四种改进的YOLOv3 算法相比，准确率和召回率也有不同程度的提升。在螺栓松动这一单项缺陷类别上，本文方法在准确率 P 上有显著提升，达到 93.4%，这主要得益于对防松标记线的准确分割，以及有效的松动判别策略。68 实 验 技 术 与 管 理 表 3 各类别螺栓检测结果（P/R）螺栓类别 YOLOv3 R-YOLOv3 S-YOLOv31 L-YOLOv3 C-YOLOv33 本文方法 螺栓缺失 98.7/97.5 98.7/100 98.5/100 97.2/100 97.9/100 97.8/100 螺栓松动 59.0/88.1 64.8/100 71.1/100 64.2/99.9 67.8/93.7 93.4/93.3 标记线缺失 100/64 99.9/79.4 96.5/76.5 96.8/90.4 100/82.4 98.0/100 螺栓正常 65.5/70.7 71.0/79.8 72.3/81.5 69.0/80.7 70.8/76.1 79.1/80.9 平均 80.8/80.0 83.6/89.8 84.6/89.5 81.8/92.7 84.1/88.0 92.1/93.6 对于螺栓的三种缺陷，本文方法的准确率和召回率都在 93.3%以上，对于螺栓缺失和标记线缺失两种螺栓缺陷的召回率均达到了 100%。不同缺陷类别上的高准确率和召回率，意味着可以有效减少螺栓缺陷的误检和漏检，有利于减轻检修工人的工作量，提高检修工作效率。4 结语 本文针对动车裙板螺栓缺陷检测任务，设计了一种基于多任务级联的动车裙板螺栓缺陷检测算法。该算法通过引入通道注意力机制，引导检测网络学习动车裙板螺栓特征，使得网络模型在有限的样本上学习到鲁棒的特征，有效提升了螺栓缺陷检测性能。进而基于对螺栓区域防松标记线的精细分割识别，实现了对螺栓松动和标记线缺失缺陷的高精度检测。在实际采集获得的数据集上的实验结果表明，本文提出的动车裙板螺栓缺陷检测方法显著提高了螺栓缺陷检测的准确率和召回率，对提高动车检修效率、降低检修工人工作强度具有很好的作用。参考文献(References)1 国家铁路局.铁路动车组运用维修规则M.北京：中国铁道出版社，2017.National Railway Administration.Railway EMUs apply maintenance rulesM.Beijing:China Railway Press,2017.(in Chinese)2 蒋荟，马千里，曹松，等.铁路车辆运行安全监控（5T）系统的研究与应用J.公路交通科技，2009,26（增刊 1）:16.JING H,MA Q L,CAO S,et al.Research and application of railway vehicle operation safety monitoring(5T)systemJ.Journal of Highway and Transportation Research and Development,2009,26(S1):16.(in Chinese)3 李江昆.TFDS 车辆故障自动识别系统研究及应用J.铁道车辆，2021,59(5):125127.LI J K.Research and application of automatic identification system for vehicle faults in TFDSJ.Rolling Stock,2021,59(5):125127.(in Chinese)4 张雪.客车故障轨边图像检测系统（TVDS）运用研究J.现代制造技术与装备，2019(3):112113.ZHANG X.Research on the application of Trackside Image Detection System(TVDS)for passenger trainfaultJ.Modern Manufacturing Technology and Equipment,2019(3):112113.(in Chinese)5 刘洋.关于提升 TEDS 故障预警准确率的研究J.轨道交通装备与技术，2019(3):1819.LIU Y.Research on improving the accuracy of TEDS fault warningJ.Rail Transportation Equipment and Technology,2019(3):1819.(in Chinese)6 陈晨宗.动车组车底检修机器人国内研究现状及发展J.轻工科技，2020,36(3):6364.CHEN C Z.Domestic research status and development ofmaintenance robots for EMU vehicle bottoms in ChinaJ.Light Industry Science and Technology,2020,36(3):6364.(in Chinese)7 秦昌，周立君，董春光，等.轨道交通工具底部检测装置P.中国：CN205681570U,2016-11-09.QIN C,ZHOU L J,DONG C G,et al.Bottom detection device for rail vehiclesP.China:CN205681570UP,2016-11-09.(in Chinese)8 翟大庆.一种基于机械臂的动车螺栓及部件检测的方法及装置P.中国专利：CN108956173A,2018-12-07.ZHAI D Q.Method and device for detecting EMU bolts and components based on manipulatorP.China:CN108956173A,2018-12-07.(in Chinese)9 李骏，郑煜，吴静，等.一种列车入所智能检修系统P.中国专利：201821373442.0,2019-03-26.LI J,ZHENG Y,WU J,et al.An intelligent maintenance system for train entering the stationP.China:CN208645316U,2019-03-26.(in Chinese)10 张锴，张卓，韩涛，等.一种用于动车组一级修智能库检的实现装置P.中国专利：201920010007.X,2019-07-05.ZHANG K,ZHANG Z,HAN T,et al.An implementation device for the first-level repair intelligent library inspection of EMUsP.China:CN209069608U,2019-07-05.(in Chinese)11 邢晓东，刘克强，丁辉，等.巡检机器人、用于列车隧道结构病害的智能检测方法P.中国专利：202110319948.3,2021-07-22.XING X D,LIU K Q,DING H,et al.Inspection robots and intelligent detection methods for structural defects in train tunnelsP.China:CN113092494A,2021-07-22.(in Chinese)12 陈燕，郭锋.TFDS 系统心盘螺栓丢失故障的自动识别检测技术J.郑州轻工业学院学报（自然科学版），2010,25(3):9094.CHEN Y,GUO F.Automatic identification and detection technology of loss fault of heart plate bolt in TFDS systemJ.Journalof Zhengzhou University of Light Industry(Natural Science Edition),2010,25(3):9094.(in Chinese)13 ZANG Y,SHANGGUAN W,CAI B G,et al.Methods for fault diagnosis of high-speed railways:A reviewJ.Journal of Risk 徐文辉，等：基于多任务级联的动车裙板螺栓缺陷检测算法 69 and Reliability,2019,233(5):908922.14 LOWE D G.Distinctive image features from scale-invariant keypointsJ.International Journal of Computer Vision(IJCV),2004,60(2):91110.15 刘炎钊.基于图像的螺栓松动检测技术在钢螺栓连接桥的应用J.西部交通科技，2021(11):116119.LIU Y Z.Application of image-based bolt loose detection technology in steel bolted bridgesJ.Western China Communications Science&Technology,2021(11):116119.(in Chinese)16 吴梦迪.地铁列车轴端螺栓异常状况检测技术研究D.成都：西南交通大学，2020.WU M D.Research on abnormal condition detection technology of shaft end bolts of subway trainsD.Chengdu:Southwest Jiaotong University,2020.(in Chinese)17 管春玲，周金龙，卢俊业，等.列车检修停靠状态下底板螺栓缺陷自动检测研究J.电子技术与软件工程，2021(18):8182.GUAN C L,ZHOU J L,LU J Y,et al.Research on automatic detection of bottom plate bolt defects under train maintenance stopJ.Electronic Technology&Software Engineering,2021(18):8182.(in Chinese)18 赵振兵，蒋志钢，李延旭，等.输电线路部件视觉缺陷检测综述J.中国图象图形学报，2021,26(11):25452560.ZHAO Z B,JIANG Z G,LI Y X,et al.A review of visual defect detection of transmission line componentsJ.Journal of Image and Graphics,2021,26(11):25452560.(in Chinese)19 SUN J,XIE Y,CHENG X.A fast bolt-loosening detection method of running trains key components based on binocular visionJ.IEEE Access,2019(7):3222732239.20 赵江平，徐恒，党悦悦.基于改进 Faster R-CNN 的铁路客车螺栓检测研究J.中国安全科学学报，2021,31(7):8289.ZHAO J P,XU H,DANG Y Y.Research on bolt detection of railway passenger cars based on improved Faster R-CNNJ.China Safety Science Journal,2021,31(7):8289.(in Chinese)21 REN S,HE K,GIRSHICK R,et al.Faster R-CNN:Towards real-time object detection with region proposal networksJ.IEEE Transactions on Pattern Analysis&Machine Intelligence,2017,39(6):11371149.22 戚银城，金超熊，赵振兵，等.最优知识传递宽残差网络输电线路螺栓缺陷图像分类J.中国图象图形学报，2021,26(11):25712581.QI Y C,JIN C X,ZHAO Z B,et al.Image classification of bolt defects in transmission lines with optimal knowledge transfer wide residual networkJ.Journal of Image and Graphics,2021,26(11):25712581.(in Chinese)23 刘伟铭，邹星宇.基于改进 YOLOv2 的动车组裙板螺栓检测J.铁道标准设计，2022,66(1):161166.LIU W M,ZOU X Y.Detection of skirt plate bolts for multiple unit based on improved YOLOv2J.Railway Standard Design,2022,66(1):161166.(in Chinese)24 REDMON J,FARHADI A.YOLO9000:Better,faster,stronger C.Hawaii USA:IEEE Conference on Computer Vision and Pattern Recognition(CVPR),2017:72637271.25 王振，邓三鹏，祁宇明，等.基于 YOLOv3 的钢轨螺栓组件故障检测方法J.机器人技术与应用，2021(1):3436.WANG Z,DENG S P,QI Y M,et al.A fault Detection method for rail bolt components based on YOLOv3J.Robot Technique and Application,2021(1):3436.(in Chinese)26 REDMON J,FARHADI A.YOLOv3:An incremental improvementJ.arXiv e-prints,2018:1804.02767.27 杨培盛，王华军，张用，等.一种基于深度学习的地铁车体螺栓松动检测方法J.轨道交通装备与技术，2021(5):3841.YANG P S,WANG H J,ZHANG Y,et al.A deep learning based method for detecting bolt looseness in subway vehicle bodiesJ.Rail Transportation Equipment and Technology,2021(5):3841.(in Chinese)28 王勇，邓卓森，王志云，等.基于 2D/3D 成像的地铁列车螺栓松动检测研究与应用J.机车电传动，2021(6):147154.WANG Y,DENG Z S,WANG Z Y,et al.Research and application of bolt looseness detection for subway trains based on 2D/3D imagingJ.Electric Drive for Locomotives,2021(6):147154.(in Chinese)（编辑：张文杰）