Toward smart railway maintenance: AI-enhanced Non-Destructive Evaluation using Vision Transformers and CNNs for fastener defect detection
Notice bibliographique
Résumé
Predictive health management and maintenance of transport infrastructure are critical for preventing accidents and service disruptions. Applying Non-Destructive Evaluation (NDE) and imaging techniques is essential for identifying irregularities without causing harm. This research utilizes pre-trained models and incorporates transfer learning concepts to overcome dataset constraints. This study assesses the effectiveness of various machine learning models, including the Vision Transformer (ViT), Data-efficient Image Transformer (DeiT), VGG19, VGG16, and ResNet50, in enhancing NDE for railway track fasteners. ViT and DeiT, both transformer-based models, emerged as the top performers due to their superior learning efficiencies and generalization capabilities, augmented by precise hyperparameter tuning. VGG models are a reliable alternative, while ResNet50 is better suited for applications prioritizing computational efficiency over accuracy. • Transformers (ViT/DeiT) outperform CNNs in railway fastener defect detection, showing higher accuracy and robustness. • Leveraging transfer learning and pre-trained ViT/DeiT models helps overcome data scarcity in rail defect datasets. • DeiT achieved 95.04% accuracy, ViT 94.14%, both beating VGG16's 91.54% and showing lower validation loss values. • Results highlight transformers' promise in railway NDE, enabling future hybrid models and larger dataset use.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».