通过计算机视觉模型寻找足够的数据容量来检测铁路基础设施组件

科学领域:

• 人工智能的人工智能
• 土木工程 土木工程是指土木工程.
• 运输系统 运输系统

背景情况:

• 铁路基础设施监控对于安全性和可靠性至关重要,但需要大量的劳动力和成本.
• 目前的监控方法受到人类效率和机器学习标记数据的可用性限制.
• 机器学习为基础设施评估提供了一个更快,更具成本效益和可重复的替代方案.

研究的目的:

• 用有限的数据调查训练机器学习模型用于铁路基础设施监控的可行性.
• 开发和评估一种新的背景图像提取方法,以提高模型训练效率.
• 在低数据场景中比较YOLOv5和MobileNet架构的性能.

主要方法:

• 在小型数据集上训练YOLOv5和MobileNet对象检测架构.
• 为铁路图像实施一种新的背景图像提取技术.
• 通过有限的观察,使用背景提取和不使用背景提取来比较模型性能.

主要成果:

• 对于铁路基础设施而言,精确的物体检测模型只需120次观察即可训练.
• 拟议的背景提取方法进一步将所需的数据量减少到90个观测.
• 无论是YOLOv5还是MobileNet,都在低数据场景中表现出有效性,通过背景提取来增强.

结论:

• 机器学习,特别是背景提取,大大降低了铁路基础设施监控的数据需求.
• 这种方法提高了实施人工智能的可行性,以实现具有成本效益和高效的铁路安全和可靠性.
• 这些发现为更容易访问和可扩展的自动化铁路检查系统铺平了道路.