通过对象和上下文信息的融合,在铁路线上检测缺陷的混合系统

科学领域:

• * 铁路工程 铁路工程
• * 计算机视觉 计算机视觉
• * 人工智能 * 人工智能

背景情况:

• *确保铁路线的完整性对于安全和高效的运输系统至关重要.
• *现有的深度神经网络 (DNN) 缺陷检测方法往往忽略了上下文信息,可能会限制准确性.
• * 综合多种数据源的多式联网方法可以增强缺陷检测能力.

研究的目的:

• * 开发和评估一种混合深度学习模型,用于增强铁路线路缺陷检测.
• *通过结合上下文分析来改进现有的基于视觉的方法.
• * 创建一个能够集成多种数据模式的融合模型,以进行可靠的缺陷分类.

主要方法:

• * 实施混合模型,将目标缺陷检测和上下文分析结合起来.
• *在YOLOv5和YOLOv8架构中集成一个卷积块注意模块 (CBAM).
• * 应用基于规则的决策层面融合,将来自单个模型的信任分数合并.
• *利用领域知识来融合检测结果和分类铁路线缺陷.

主要成果:

• * 拟议的混合模型与基线基于视觉的缺陷检测方法相比显示出显著的改进.
• * 整合CBAM提高了在各种尺度上检测缺陷和上下文元素的性能.
• * 基于规则的融合有效地合并了信息,导致更准确的铁路线缺陷分类.

结论:

• * 混合模型通过考虑环境,为铁路线路缺陷检测提供了更全面的方法.
• *注意力机制集成增强了YOLO架构对此任务的性能.
• * 该模型的设计支持未来整合非图像数据模式 (例如,声音,加速度计) 来进行多式联络分析.