该文提出了一种基于图像纹理处理的铁路缺陷检测方法，使用 Automatic Train Control system 提高铁路安全性，分析了由于铁路破损和断裂导致的事故，采用 Random Forest 分类器对提取的缺陷图像特征进行分类，实验结果表明该算法在精度、召回率和准确度方面均优于支持向量机和 K - 最近邻分类器。

Apr, 2023

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

本文提出了一种利用自动化轨道检测和多任务学习的方法，在铁路道床和紧固件上检测缺陷，以提高铁路轨道检测的精度。

Sep, 2015

该研究提出了一种基于 Variational Autoencoder (VAE) 的合成图像生成技术，用于铁路缺陷，通过引入权重衰减正则化和图像重构损失来防止过拟合。使用该合成数据集进行微调的 Visual Transformer (ViT) 模型在铁路缺陷分类中取得了高准确率（98%-99%），为解决铁路缺陷检测中的数据稀缺挑战提供了有希望的解决方案，展示了该领域鲁棒智能认知系统发展的潜力。

Dec, 2023

该研究提出了一种基于 Faster RCNN 网络和无监督语义分割的新型缺陷识别框架，通过识别目标设备的类型和位置、利用语义分割区分设备和背景，并运用相似度度量和逻辑规则对缺陷进行分类，从而提高了空中线路中设备问题的准确性和适应性，为配电网络设备检测的自动化提供了新的视角。

Nov, 2023

本文提出一种利用深度异常检测算法的异常值检测应用，能够将损坏特征定位并可视化为热图，以实现在自然灾害发生的最初阶段快速识别和确定损坏优先区域的目的。

Jun, 2023

使用一维卷积神经网络提取传感器数据的退化相关特征，并提出了时间深度退化网络 (TDDN) 模型来更加准确地预测剩余寿命，这个模型使用注意力机制来捕捉故障特征和退化发展，对公共 C-MAPSS 数据集进行评估，与现有方法进行比较，证明了 TDDN 模型在复杂条件下能够以最佳的 RUL 预测精度来预测涡轮风扇发动机的剩余使用寿命。

Feb, 2022

本文提出了一种异构自蒸馏框架以保证检测精度和速度，同时满足低资源需求，通过采用轻量化骨干、构建异构知识颈，获得更可靠、准确的边界框估计，并采用新颖的损失函数改进学习效率，在四个故障数据集上进行实验表明，该框架可以实现超过 37 帧 / 秒的高效率，并具有更小的模型大小和低内存使用率。

Jul, 2023

基于视觉异常检测和无监督类别选择的缺陷定位自编码器在制造业中提高缺陷检测的准确度和可靠性。

Sep, 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