Train-YOLO: un modelo de red eficiente y ligero para la detección de daños en componentes de trenes

Área de la Ciencia:

• Ingeniería
• Ciencias de la computación
• Inteligencia artificial

Sus antecedentes:

• La inspección manual de los componentes del tren es ineficiente, propensa a errores y plantea riesgos para la seguridad.
• Los métodos automatizados existentes pueden carecer de la precisión y eficiencia necesarias para el despliegue en el mundo real.

Objetivo del estudio:

• Desarrollar un modelo innovador y eficiente de detección de fallos para los componentes del tren.
• Mejorar la precisión y reducir las demandas computacionales de los sistemas automatizados de detección de fallas.

Principales métodos:

• Optimización de la arquitectura de red YOLOv8.
• Integración de nuevos módulos, incluidos ADown, C2f-Rep y DHD.
• Desarrollo del modelo especializado Train-YOLO para la detección de fallas.

Principales resultados:

• El modelo Train-YOLO logró una precisión máxima del 92,9% en la detección de fallas en los componentes del tren.
• Se demostraron mejoras significativas en la eficiencia computacional y la precisión de detección en comparación con los modelos de referencia.
• El modelo exhibe un tamaño más pequeño y requisitos computacionales reducidos.

Conclusiones:

• El modelo Train-YOLO optimizado ofrece una solución superior para la detección de fallas en los componentes del tren.
• Su precisión, eficiencia y diseño ligero lo hacen adecuado para un rápido despliegue en el sitio.
• Este enfoque aborda las limitaciones de los métodos tradicionales de inspección manual.