YOLOv11m optimizado para la detección de defectos en la catenaria de ferrocarriles de alta velocidad en tiempo real

Área de la Ciencia:

• Visión por Computadora
• Inteligencia Artificial
• Ingeniería Ferroviaria

Sus antecedentes:

• La detección de defectos en tiempo real en sistemas de catenaria de ferrocarriles de alta velocidad es crucial para la seguridad y el mantenimiento.
• Los modelos de detección de objetos existentes, como YOLO, enfrentan desafíos con componentes pequeños y altas demandas computacionales.
• Las limitaciones incluyen la dificultad para detectar piezas pequeñas (por ejemplo, pasadores de aleta) y las restricciones de la plataforma.

Objetivo del estudio:

• Desarrollar un modelo de detección de objetos optimizado para la inspección en tiempo real de componentes de la catenaria del ferrocarril.
• Abordar las limitaciones de los modelos existentes en la detección de objetos pequeños y la gestión de costos computacionales.
• Proponer una solución ligera y precisa para la detección automatizada de defectos.

Principales métodos:

• Se desarrolló un modelo YOLOv11m optimizado, denominado MSIM-YOLOv11m.
• Integración de tres módulos novedosos: Atención de Kernel Separable Grande (LSKA), Red de Pirámide de Características Bidireccional (BiFPN) y Convolución de Kernel Adaptativo (AKConv).
• El modelo se evaluó en un conjunto de datos de catenaria dedicado para el rendimiento de la detección de defectos.

Principales resultados:

• El modelo MSIM-YOLOv11m logró un mAP50-95 del 78,3% y un AP de objetivo pequeño del 64,7%.
• Demostró una reducción del 50,5% en el costo computacional en comparación con el modelo YOLOv9m.
• El modelo demostró ser eficaz en la detección de defectos de tamaño pequeño en componentes de la catenaria.

Conclusiones:

• MSIM-YOLOv11m ofrece una solución ligera y precisa para la inspección de catenarias de ferrocarriles en tiempo real.
• El modelo propuesto supera eficazmente los desafíos asociados con la detección de objetos pequeños y la eficiencia computacional.
• Este avance apoya la mejora de la seguridad y el mantenimiento a través de la inspección visual automatizada.