2023，59（7）钢轨是铁路最重要的基础设施之一，对其表面外观的检测是铁路工务部门的核心业务，关乎铁路运输安全。在电子信息技术兴起之前，钢轨缺陷检测主要依赖于巡道工人的目视检查。这种人工检测方式不仅费时费力，其检测结果容易受到各种主观因素的影响。随着轨道检测技术的发展，许多无损检测的方法，包括超声探伤、基于电磁感应的涡流检测和机器视觉检测技术等被相继提出[1-4]。由于机器视觉检测技术在非接触、安全性和可视化等各方面的优势，基于机器视觉的钢轨缺陷检测近年来得到了国内外研究学者的广泛关注，相关研究成果已形成了轨道视觉检测系统在普速、高铁和重载等各铁路线路中推广使用[5-8]。在轨道视觉检测系统中，检测列车上安装有高速相机用于采集轨道图像，然后应用计算机视觉和模式识别方法进行轨道伤损检测[9-11]。基于双模态深度学习的钢轨表面缺陷检测方法赵宏伟1，郑嘉俊2，赵鑫欣1，3，王胜春3，李浥东11.北京交通大学计算机与信息技术学院，北京1000442.中山大学电子与通信工程学院，广东深圳5181073.中国铁道科学研究院集团有限公司基础设施检测研究所，北京100081摘要：针对目前钢轨顶面擦伤检测系统缺少第三维关键深度信息，检测结果易受干扰误报率高的问题，提出了一种基于双模态结构光传感器的钢轨表面缺陷检测方法。通过构建轨道表面缺陷的多模态深度学习检测网络，可以检测双模态钢轨图像中的擦伤缺陷。提出的深度网络分别融合了双模态图像的多尺度特征，并进行多尺度钢轨顶面擦伤检测。实验结果表明，该方法在显著降低检测误报的同时能够保持较高的检出率。与当前缺陷检测中常见的深度学习检测模型对比，平均精度均值（mAP）有大幅提升，性能优于以往的检测算法，在钢轨顶面擦伤检测任务中的应用前景良好。关键词：词缺陷检测；多模态；深度学习；钢轨表面文献标志码：A中图分类号：TP183doi：10.3778/j.issn.1002-8331.2209-0364RailSurfaceDefectMethodBasedonBimodal-ModalDeepLearningZHAOHongwei1,ZHENGJiajun2,ZHAOXinxin1，3,WANGShengchun3,LIYidong11.SchoolofComputerandInformationTechnology,BeijingJiaotongUniversity,Beijing100044,China2.SchoolofElectronicandCommunicationEngineering,SunYat-SenUniversity,Shenzhen,Guangdong518107,China3.InfrastructureInspectionResearchInstitute,ChinaAcademyofRailwaySciencesCorporationLimited,Beijing100081,ChinaAbstract：Aimingattheproblemth...
