DM-RIS: Deep Multimodel Rail Inspection System With Improved MRF-GMM and CNN
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Rail inspection system (RIS) remains an emergent instrumentation for railway transportation, with its capacity of measuring surface defect on steel rail. However, detecting technique and interpretation of RIS constitute a challenging problem since traditional technologies are expensive and prone to errors. In this paper, a deep multimodel RIS (DM-RIS) is established for surface defect where fast and robust spatially constrained Gaussian mixture model is presented for segmentation proposal and Faster RCNN is utilized for objective location in a parallel structure. First, we incorporate spatial information between pixels into an improved Gaussian mixture model based on Markov random field (MRF) for accurate and rapid defect edge segmentation. Specifically, a direct parameter-learning in expectation-maximization (EM) algorithm is proposed. Meanwhile, to remove nondefect, numerous labeled samples with weak illumination, inequality reflection, external noise, rust, and greasy dirt are fed into Faster RCNN so that DM-RIS is robust environmentally to various light, angle, background, and acquisition equipment. Finally, the joint hit area refers to a real defect. The experimental results demonstrate that the proposed method performs well with 96.74% precision, 94.13% recall, 95.18% overlap, and 0.485 s/frame speed on average, and is robust compared with the related well-established approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle