Use of deep convolutional neural networks and change detection technology for railway track inspections
Notice bibliographique
Résumé
Railroad track inspections conducted in accordance with federal regulations and internal railway operating practices result in significant labor costs and occupy valuable network capacity. These factors, combined with advancements in the field of machine vision, have encouraged a transition from human visual inspections to machine-based alternatives. Commercial machine vision technologies for railway inspection currently exist, and automated analysis approaches—which deliver objective results—are available in some systems. However, they are limited to a “pass/fail” approach through the detection of components which fail to meet maintenance or geometry thresholds, as opposed to being able to detect subtle changes in track conditions to identify evolving problems. To overcome these limitations, this paper presents results from the field deployment and validation of a system that pairs three-dimensional (3D) machine vision with automated change detection technology. The change detection approach uses a deep convolution neural network (DCNN) to accurately characterize track conditions between repeat runs. Current automated track inspection technologies were studied, and the applicability of change detection is discussed. The paper presents the process for 3D image capture, DCNN training, and evaluation by comparing DCNN results to an expert human evaluator. Finally, it presents change detection results for fastener presence and spike height. Results indicate that this technology can successfully identify fasteners and spikes with percent accuracies greater than 98% and that it can successfully generate change detection results for comparison of track condition among runs.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».