Railway Side Slope Hazard Detection System Based on Generative Models
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
The use of drones for image monitoring has gained popularity in railway operations due to several significant advantages. Drones provide high-resolution aerial imagery that covers vast and hard-to-reach areas, enabling comprehensive monitoring of the entire railway network. They offer flexibility and rapid deployment, allowing for real-time data collection and analysis, which is crucial for early detection of potential risks such as landslides, erosion, or track obstructions. Moreover, drones can operate in challenging weather conditions and difficult terrains, ensuring continuous monitoring where traditional methods might fail. However, data collected from drones for railway side slope monitoring is scarce and the railway side slope defect identification and risk assessment have not been fully studied. Furthermore, its frequency is often limited due to operational safety concerns, leading to insufficient data acquisition. To address these limitations, this study innovatively employs diffusion models augmented by large language models (LLMs) to enhance training datasets with high-quality synthetic images that encapsulate various defect scenarios. The enhanced You Only Look Once (YOLO) system, integrated with attention mechanisms and LLM-augmented diffusion generation, significantly improves detection accuracy by enabling the model to better generalize under varied real-world conditions. In this study, we collected 600 images from hazardous real-world environments and provided a comprehensive evaluation framework, demonstrating superior performance metrics compared to traditional methods. This approach offers a promising solution for automating and enhancing the reliability of geological hazard monitoring along railway side slopes. The source dataset will be open-sourced at <uri xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">https://github.com/CRH380-CR400/Dataset-of-slope-diseases-along-railway-lines</uri>.
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