通过实时缺陷检测提高铁路安全:一种新的轻量级网络方法
Yuan Cao1, Yue Liu1, Yongkui Sun1
1The School of Automation and Intelligence, Beijing Jiaotong University, Beijing 100044, China.
Accident; analysis and prevention
|May 21, 2024
概括
这项研究介绍了YOLOv8n-LiteCBAM,这是一种更快的AI模型,用于检测内部铁路缺陷. 它实现了高精度和实时速度,这对于铁路安全和车载系统至关重要.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 铁路工程 铁路工程是指铁路工程.
背景情况:
- 铁路安全依赖于快速检测铁路内部缺陷.
- 车载检测系统面临着计算资源的限制.
- 现有的方法在实时应用中难以平衡准确性和速度.
研究的目的:
- 开发一个高效和准确的AI模型用于车载铁路缺陷检测.
- 为了克服当前铁路安全系统的计算限制.
- 提高高速铁路检查车辆的实时检测能力.
主要方法:
- 设计的YOLOv8n-LiteCBAM具有轻量级的DepthStackNet骨干. 设计的YOLOv8n-LiteCBAM具有轻量级的DepthStackNet骨干. 设计的YOLOv8n-LiteCBAM具有轻量级的DepthStackNet骨干.
- 实现了模型修剪和一个新的双向卷积块注意力模块 (BiCBAM).
- 使用ONNX运行时间来推断加速.
主要成果:
- 在铁路缺陷数据集上实现了92.9%的平均精度 (mAP).
- 达到了136.79 FPS (GPU) 和38.36 FPS (CPU) 的推断速度.
- 在推断速度方面表现优于其他轻量级模型,满足80公里/小时检查的实时要求.
结论:
- YOLOv8n-LiteCBAM提供了一种可行的解决方案,用于有效和准确的铁路车载缺陷检测.
- 该模型的性能支持工业应用,用于加快铁路缺陷检测.
- 这一进步有助于通过增强的检测技术提高铁路安全.
