基于Swin Transformer加块级CBAM增强的小型轨道表面缺陷检测方法

在高强度轨道作业下，轨道承受各种应力，导致出现如波纹和起伏等缺陷。若未能有效检测缺陷及时提供维护，将严重影响服务可靠性和公共安全。虽然近年来开发了各种先进模型，但高效识别小尺度轨道缺陷（尤其是 Dirt 或 Squat 等类别）尚未得到充分研究。为此，本文以 Swin Transformer 为基线，引入卷积块注意力模块(CBAM)进行增强。所提方法在 swin transformer 块内依次集成 CBAM，显著提升了轨道缺陷检测性能，尤其对小实例尺寸类别效果显著。该框架命名为块级 CBAM 增强型 Swin Transformer(CBAM-SwinT-BL)。实验与消融研究表明，该框架有效。所提框架在 RIII 数据集上对小尺寸缺陷（如 dirt 和 dent 类别）的准确率提升显著，mAP-50 分别提高 +23.0% 和 +38.3%；在 MUET 数据集上，squat 类别亦提升 +13.2%。相较于原始 SwinT，CBAM-SwinT-BL 在 MUET 数据集上整体精度提升约 +5%，在 RIII 数据集上提升约 +7%，分别达到 69.1% 和 88.1%。与此同时，额外模块 CBAM 仅使模型训练速度增加平均 +0.04s/迭代，仍在可接受范围内。