Railway Side Slope Hazard Detection System Based on Generative Models
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 athttps://github.com/CRH380-CR400/Dataset-of-slope-diseases-along-railway-lines.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».