An Autonomous Drone-Based Framework for Real-Time Railway Monitoring Using YOLO-Based Defect Detection
Notice bibliographique
Résumé
Railway infrastructure plays a critical role in transportation systems, and its routine inspection is crucial for ensuring operational stability and safety. Traditional railway inspection methods often rely heavily on fixed sensors and human monitoring, which are expensive to set up and time-consuming, respectively. This paper presents an autonomous drone-based railway monitoring system to detect structural defects and obstructions on railway tracks in real time. The flight stack comprises modern robotic frameworks such as PX4-Autopilot and ROS2. The sensor stack consists of an RGB camera for object detection and a depth camera for altitude estimation. Two parallel object detection pipelines, regular and oriented bounding box (OBB) YOLOv11 models, are fine-tuned to enhance detection accuracy under challenging visual conditions. Simulation results demonstrate the system’s effectiveness in detecting anomalies like sleeper misalignments and railway track obstructions. The system performance is tested with varying model sizes. The YOLOv11n model achieved an F1-score of 0.92 and an average latency of 59 ms per frame, providing a strong balance between accuracy and speed. Controller evaluations across speeds up to 1 m/s showed lateral and yaw RMSEs of 0.30 m and 2.01 deg, respectively, confirming stable and precise navigation. These findings highlight the potential of autonomous aerial systems to supplement or replace traditional railway inspection methods.
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 | 0,000 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».