Sep, 2024

基于增强块级CBAM的Swin变换器的小型轨道表面缺陷检测方法

HTML
PDF
TL;DR本研究解决了在高强度轨道运行中小型轨道缺陷（如污垢和凹陷）检测的不足。利用Swin变换器作为基础模型，并结合卷积块注意力模块（CBAM）进行增强，提出的新方法在小规模缺陷检测准确性上显著提升。实验结果显示，改进后的框架在RIII数据集上小型缺陷的检测精度提高了23.0%至38.3%，展示了极大的应用潜力。
发现论文，激发创造
  • 铁路轨道检测的深度多任务学习

    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

  • 铁路检测：一种高效的基于行的网络和一个新的基准

    本研究提出了一个包括铁路数据库和轨道行排列方法的高效铁路检测算法，通过基于行排列的选择方法，使用轻量卷积神经网络和锚定分类器实现，经实验表明，这种方式比传统方法高效且准确。

    Apr, 2023

  • 基于 Transformer 和 UNet 的深度学习模型检测道路裂缝

    本文通过比较 9 个深度学习模型在道路表面裂缝检测任务中的表现，发现基于 transformer 的模型相对于卷积神经网络更易于训练、准确率更高，但通常表现出更高的内存消耗和低效率，其中 SwinUNet 为最佳模型，结果可为表面裂缝检测提供指导。

    Apr, 2023

  • 基于无监督深层FCDD的乡村铁路枕木腐朽检测

    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

  • 基于归一化注意力和双尺度交互的无服务铁路表面缺陷分割

    本文提出了一种基于规范化的注意力和双尺度交互的新颖的NRSD分割网络，名为NaDiNet，通过Normalized Channel-wise自我注意力模块和双尺度交互块，能在不同粒度的缺陷区域中实现精确的分割。

    Jun, 2023

  • 一种基于集成卷积神经网络的可重复使用的铁路AI缺陷检测系统

    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

  • 基于生成模型的合成训练图像生成：铁路缺陷检测中认知的一种方法

    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

  • MINet：面向带钢表面缺陷实时显著性目标检测的多尺度交互网络

    该研究提出了一种轻量级多尺度交互网络（MINet），利用多尺度交互模块采用深度卷积（DWConv）和逐点卷积（PWConv）来提取和交互融合不同尺度的特征，以进行实时的带钢表面缺陷显著目标检测。在包含三种不同类型的带钢表面缺陷检测图像（包括夹杂物、斑点和划痕）的SD-Saliency-900数据集上进行的综合实验结果表明，提出的MINet具有与最先进的方法相当的检测准确性，在仅拥有0.28M参数的情况下以721FPS的GPU速度和6.3FPS的CPU速度对368*368像素的图像运行。

    May, 2024

  • 利用通道洗牌的深度学习加速金属表面缺陷检测

    基于YOLOv5的改进型缺陷检测模型在钢表面上检测小且复杂的缺陷目标，在精度和检测时间方面表现优于其他可比较的模型。

    Jun, 2024

  • 基于Swin Transformer与块级CBAM增强的小型轨道表面缺陷检测方法

    本研究针对高强度轨道运行下小型轨道缺陷识别不足的问题，提出了一种基于Swin Transformer与块级CBAM增强的方法。通过在Swin Transformer模块中集成CBAM，显著提高了小型缺陷的检测精度，特别是在脏污和凹陷类别上，mAP-50的提升分别达到23.0%和38.3%。

    Sep, 2024