控制与决策

作者：魏秀琨,刘小克,吴冬华,张艾欣,汤庆锋

单位：北京交通大学 交通运输学院，北京 100044;北京交通大学 智慧高铁系统前沿科学中心，北京 100044;北京交通大学 先进轨道交通自主运行全国重点实验室，北京 100044,,北京交通大学 交通运输学院，北京 100044;北京交通大学 智慧高铁系统前沿科学中心，北京 100044;北京交通大学 先进轨道交通自主运行全国重点实验室，北京 100044,,高速磁浮运载技术全国重点实验室，山东 青岛 266111,,北京交通大学 交通运输学院，北京 100044;北京交通大学 智慧高铁系统前沿科学中心，北京 100044;北京交通大学 先进轨道交通自主运行全国重点实验室，北京 100044,,北京交通大学 交通运输学院，北京 100044;北京交通大学 智慧高铁系统前沿科学中心，北京 100044;北京交通大学 先进轨道交通自主运行全国重点实验室，北京 100044,

关键词：高速磁浮列车;电磁铁;缺陷检测;轻量化网络;超图计算;生成对抗网络;负样本挖掘

基金：国家重点研发计划项目(2023YFB4302502)；高速磁浮运载技术全国重点实验室开放基金项目(SKLM-SFCF-2025-013)；泰山产业领军人才工程资助项目(tscx202408140).

时速600公里高速磁悬浮列车的运行安全至关重要, 任何部件的表面缺陷都可能对运行安全造成重大影响. 目前, 电磁铁的表面缺陷检测仍主要依赖人工巡检, 而基于深度学习的方法在实际工业环境中面临数据稀缺、精度低及实时性差等多重挑战. 鉴于此, 提出一种两阶段磁悬浮电磁铁缺陷检测方法, 第1阶段快速定位并裁剪电磁铁, 第2阶段精确定位缺陷. 为缓解缺陷样本稀缺问题, 采用StarGAN v2生成对抗网络进行数据增强, 并引入难负样本挖掘策略以降低误报. 第1阶段为满足实时性需求, 设计轻量化网络结构, 通过结构裁剪与通道剪枝显著降低模型复杂度, 使参数量减少约97%, CPU推理速度提升约370%. 第2阶段模型融合高阶关系建模、多分支动态融合模块与去归一化Transformer等多种结构, 以增强跨尺度建模能力. 实验结果表明, 对比同规模模型, 第2阶段提出的模型在自建电磁铁数据集上的平均mAP_50-95高出6.2%, 在PCB与GC10-DET两个公开数据集上也取得最高的F₁分数并保持实时性能, 显示出良好的工业部署可行性.

来源：2026年第2期

《控制与决策》期刊编辑部

查看控制与决策杂志2026年第2期