基于深度增强的YOLO-SAM2检测方法用于可靠的道砟不足识别
计算机视觉与模式识别
2026-02-24 v1 系统与控制
图像与视频处理
系统与控制
摘要
本文提出了一种基于深度增强的YOLO-SAM2框架，利用RGB-D数据检测铁路轨道中的道砟不足。尽管YOLOv8提供了可靠的定位，但仅使用RGB的模型在安全性能上表现有限，由于倾向于过度预测“充足”类别，导致对道砟不足的检测精度高（0.99）但召回率低（0.49）。为了提高可靠性，我们引入了基于深度的几何分析，该分析由一种基于轨枕对齐的深度校正流水线实现，该流水线使用多项式建模、RANSAC和时间平滑来补偿RealSense的空间畸变。SAM2分割进一步细化了感兴趣区域掩码，从而能够精确提取轨枕和道砟轮廓以进行几何分类。在现场采集的俯视RGB-D数据上的实验表明，深度增强配置显著改善了对道砟不足的检测。根据边界框采样（AABB或RBB）和几何标准的不同，召回率从0.49提高到0.80，F1分数从0.66提高到0.80以上。这些结果表明，将深度校正与YOLO-SAM2相结合，为自动化铁路道砟检测提供了一种更鲁棒、更可靠的方法，特别是在视觉模糊或安全关键的场景中。
引用
@article{arxiv.2602.18961,
title = {Depth-Enhanced YOLO-SAM2 Detection for Reliable Ballast Insufficiency Identification},
author = {Shiyu Liu and Dylan Lester and Husnu Narman and Ammar Alzarrad and Pingping Zhu},
journal= {arXiv preprint arXiv:2602.18961},
year = {2026}
}
备注
Submitted to the IEEE International Symposium on Robotic and Sensors Environments (ROSE) 2026