铁路轨道检测的深度多任务学习
准确的缺陷检测对于确保智能铁路系统的可信性至关重要。为了解决样本有限时训练新的缺陷分类器导致过拟合和在未见图像上表现不佳的问题,我们提出了一种可重复使用的基于人工智能的缺陷检测方法。通过将集成学习与迁移学习模型(VGG-19、MobileNetV3 和 ResNet-50)相结合,我们提高了分类准确性,并在某一训练阶段实现了一致的性能。与其他最先进的方法相比,我们的实证分析表明了更好和更一致的性能。这种一致性证实了缺陷检测系统对于新出现的有缺陷的铁路部件的可重复使用性。因此,我们预计这些发现将有助于铁路系统可重复使用的基于人工智能的解决方案的进一步研究和发展。
Nov, 2023
铁路上可靠的障碍物检测可以帮助防止导致伤害、潜在的损坏或脱轨的碰撞。我们提出利用浅层网络从正常的铁路图像中学习铁路分割,并通过学习虚构无障碍图像的全局信息的受控包含来改进方法。我们在一个包含人工增强障碍物的铁路图像数据集上评估我们的方法,结果表明我们的方法优于其他基于学习的基准方法。
Jul, 2023
自动检测 X 射线图像中的违禁物品可以显著增加公共安全,提高机场、地铁、海关 / 邮局等地的安全人员的工作效率,并减轻其心理负担。研究表明,变压器检测器优越于过去几年为安全应用开发的辅助神经模块和 CSP-DarkNet 骨干卷积神经网络十分高效。
Oct, 2023
本文提出一种基于关注机制的多任务联合失败检测方法,该方法能够评估多个视觉感知任务在图像不同区域的预测准确率和失效率,利用监督式多任务不确定性估计及其对应的预测误差,实现更准确的预测误差估计。
Oct, 2021
本研究探讨利用深度学习技术进行视觉品质检测问题,针对工业制造中数据重复性高的情况,提出通过学习数据中的特定缺陷类型来训练检测模型,从而使其更能检测出在新情况下出现的缺陷。同时,研究对泛化的影响,以训练在更广泛的条件下工作的模型。
May, 2023
该研究纸提出了一个超快的自适应轨道检测网络,旨在解决现有模型在速度和准确性方面的限制。通过使用水平坐标定位器和透视识别器两个专用分支,该网络能够针对不同镜头角度的轨道比例进行快速检测,具有较高的准确性和速度。
May, 2024
本研究提出了一种基于深度学习的表面缺陷检测方法,通过利用不同粒度的注释信息从弱标注到像素级其间不同层面进行标注,实现了注释成本的降低,同时取得了在工业质量检验几个数据集上的最优结果。
Apr, 2021
这篇论文提出了一个基于元学习的异常检测框架,它集成了生成对抗网络 (GANs) 的思想,并利用适当的损失函数,包括结构相似度指数 (SSIM),解决了 AI 时代中针对大数据异常检测的挑战,试验表明该框架在高速铁路检测方面表现尖锐和强健,已在中国五个高速铁路上使用,使工作量减少了 99.7%,检查时间节省了 96.7%。
Feb, 2022
本文提出了一种基于卷积神经网络(CNNs)的预测鉴别器流水线来自动分类损坏的铁路组件,使用一类分类方法,结合基于可视化的热图来判定铁路组件的损坏情况,并在预测性维护中提出了未来工作。
May, 2023
通过引入 “列车自我路径检测” 任务,本论文为智能车载视觉系统设计了一种精确的铁路轨道检测方法,并通过添加自我路径注释扩展了 RailSem19 数据集。TEP-Net 是一种端到端的深度学习框架,具备可配置的模型架构、动态数据增强策略和领域特定的损失函数,通过回归方法解决了轨道检测问题,并在测试集上实现了 97.5% 的 IoU,同时比现有方法更快。进一步的比较分析突显了 TEP-Net 背后的概念选择的相关性,表明其在不同的环境条件和运行动态下具有鲁棒性。本研究为智能驾驶辅助系统和自动列车运行的发展开辟了有前景的途径,为实现更安全、高效的铁路运输铺平了道路。
Mar, 2024