基于YOLO改进的轨道交通受电弓电弧检测系统

1. 项目背景与核心挑战

接触网受电弓系统是轨道交通供电的关键部件，其运行状态直接影响列车供电安全。受电弓与接触网之间产生的电弧现象是常见的故障征兆，传统人工巡检方式存在效率低、漏检率高的问题。我们团队基于计算机视觉技术开发的这套检测系统，核心要解决三个行业痛点：

1. 复杂光照条件下的电弧检测稳定性（特别是隧道内外光线突变场景）
2. 高速移动场景下的实时检测需求（列车运行时速80-120km/h）
3. 多目标干扰下的精确识别（雨雪、昆虫、反射光等干扰物）

2. 模型架构设计解析

2.1 YOLO11-C3k2-HDRAB模型结构

我们在YOLOv8基础上进行深度改造，主要创新点包括：

python复制# 模型核心组件示例
class HDRAB(nn.Module):
    def __init__(self, c1, c2):
        super().__init__()
        self.cv1 = Conv(c1, c2//4, 1)
        self.cv2 = Conv(c1, c2//4, 3)
        self.cv3 = Conv(c1, c2//4, 5)
        self.cv4 = Conv(sum([c2//4]*3), c2, 1) 
        self.att = Attention(c2)

    def forward(self, x):
        return self.att(self.cv4(torch.cat([
            self.cv1(x), self.cv2(x), self.cv3(x)
        ], dim=1)))

关键改进说明：

• C3k2模块：采用kernel size 2的紧凑卷积，在保持感受野的同时减少30%计算量
• HDRAB机制：高动态范围注意力模块，通过多尺度特征融合增强暗区电弧识别
• 双路径特征提取：并行处理空间信息（电弧位置）和频域信息（电弧强度）

2.2 数据增强策略

针对轨道交通特殊场景设计的增强方案：

yaml复制augmentations:
  - name: DynamicShadow
    params: