Una YOLOv8n mejorada con fusión de características multiescala para la detección de defectos en vías de ferrocarril...

Área de la Ciencia:

• Inteligencia Artificial
• Visión por Computadora
• Ingeniería Ferroviaria

Sus antecedentes:

• El transporte ferroviario es vital para la movilidad, pero los defectos en las vías plantean importantes preocupaciones de seguridad y eficiencia.
• Los métodos tradicionales de detección de defectos en las vías carecen de precisión, eficiencia y adaptabilidad a entornos complejos.

Objetivo del estudio:

• Desarrollar un marco mejorado de detección de defectos para vías de ferrocarril utilizando un algoritmo YOLOv8 mejorado.
• Abordar los desafíos de la detección de objetivos pequeños y fondos complejos en la identificación de defectos en las vías.

Principales métodos:

• Integración del módulo AVCStem con núcleos de convolución variables para la adaptabilidad de escala.
• Incorporación del módulo ADSPPF con agrupación multiescala y atención para la preservación de características.
• Implementación del módulo MSF para una fusión mejorada de características multiescala utilizando convolución parcial.

Principales resultados:

• Se logró una precisión de detección del 90,2 % y un mAP@0,5 del 90,2 % en un conjunto de datos del mundo real.
• El tamaño del modelo se redujo a 5,2 MB con 2,45 millones de parámetros, lo que indica eficiencia.
• Se demostró un rendimiento superior en comparación con los detectores ligeros existentes en estudios comparativos.

Conclusiones:

• El modelo de IA propuesto ofrece una solución robusta, precisa y eficiente para la detección de defectos en vías de ferrocarril en tiempo real.
• El modelo ligero y eficaz es adecuado para su implementación en dispositivos de IA de borde y robots de inspección móvil.
• Este avance aborda las limitaciones de las técnicas de inspección convencionales, mejorando la seguridad y el mantenimiento del ferrocarril.