铁路表面缺陷数据增强方法基于改进的ACGANAN
He Zhendong1, Gao Xiangyang1, Liu Zhiyuan2
1School of Electrical and Information Engineering, Zhengzhou University of Light Industry, Zhengzhou, China.
Frontiers in neurorobotics
|April 24, 2024
概括
这项研究引入了一个增强的增强条件GAN (ACGAN),用于检测轨道表面缺陷,提高图像质量和分类准确性. 该方法解决了数据稀缺问题,通过先进的深度学习技术提高了铁路安全.
科学领域:
- 工程 工程师 工程师 工程师
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 铁路表面缺陷在铁路运营中构成重大安全风险.
- 数据的有限可用性阻碍了深度学习用于缺陷检测的应用.
研究的目的:
- 为改善轨道表面缺陷检测提出一个增强的ACGAN (增强条件GAN).
- 解决基于深度学习的缺陷识别中的数据稀缺性挑战.
主要方法:
- 实施了残留块,以减轻消失梯度的问题.
- 利用光谱规范规范化来实现分辨器稳定性和图像质量.
- 取代了发电机解卷与上采样和卷积,以提高效率.
- 纳入基于遗憾值的梯度惩罚机制.
主要成果:
- 与标准ACGAN相比,实现了更高的图像清晰度和分类准确性.
- 在Fréchet初始距离 (FID) 值中显示了17.6%的减少.
- 使用MNIST数据集验证了模型概括能力.
结论:
- 增强的ACGAN方法有效地解决了用于铁路缺陷检测的数据稀缺问题.
- 拟议的方法为现实世界的铁路安全应用提供了实际价值.
- 这种技术可以提高这个领域的深度学习模型的性能和效率.
