准确高效的轨道缺陷识别框架

摘要

论文摘要

针对复杂服役环境下轨道表面缺陷类型多样、自动识别困难的问题，论文提出改进残差网络特征提取模块，并构建轨道表面缺陷识别框架。实验确定训练参数，比较不同特征提取模块，并利用多类别图像验证完整框架。平均识别准确率为94.45%，平均单帧时间为0.000052 s；所采用特征识别模型的Accuracy为97.09%、Loss为0.0773、RMSE为0.06。

Track surface
Surface defect identification
Convolutional neural network
Improved residual network

识别框架

特征提取、ROI生成和缺陷识别组成完整处理链

框架首先从轨道图像提取多尺度残差特征，区域建议网络在特征图上生成候选区域，再通过ROI pooling形成固定尺寸的候选特征。

Fig.6中的识别模块使用全连接层，并分别输出缺陷类别和边界框位置；实验类别为K1至K4四类轨道表面缺陷。

Fig. 6 缺陷识别模块 — 论文原图 · Fig. 6 **缺陷识别模块**

缺陷识别模块示意图。

Schematic of identification module.
查看高清原图 ↗

残差模块

改进Model A调整下采样卷积与残差支路

论文将特征提取网络首层7×7卷积替换为三个3×3卷积，以形成相近感受野并增加非线性映射。

Fig.2中，Model A上支路采用3×3、stride=2卷积，下支路加入平均池化，使两条支路在Add节点前保持匹配尺寸。

Fig. 2 改进Model A结构 — 论文原图 · Fig. 2 **改进Model A结构**

改进Model A的结构：上支路卷积核改为3×3、stride=2，下支路加入平均池化层。

Structure of the improved Model A. The convolution kernel size in the upper path is changed to 3 × 3@stride=2 and an avgpool layer is added in the lower path.
查看高清原图 ↗

缺陷数据

四类轨道表面缺陷各包含800张训练图像

Table 1列出K1 Crash、K2 Damage、K3 Rupture和K4 Spot四类缺陷，并给出外观特征、形成原因、紧急程度、处理方式和示例。

实验数据每类800张，共3,200张；论文按训练、验证和测试流程组织模型实验。

Table 1 轨道表面缺陷数据集 — 论文原图 · Table 1 **轨道表面缺陷数据集**

轨道表面缺陷数据集。

Track surface defects dataset.
查看高清原图 ↗

训练参数

迭代次数与学习率通过独立实验确定

论文比较不同迭代次数下的平均预测概率和平均准确率，并将训练迭代次数设为12,000次。

Fig.9显示学习率从10⁻⁸增加时两项指标上升，在10⁻⁴附近达到较高水平；实验最终采用10⁻⁴学习率。

Fig. 9 学习率与平均预测概率和准确率 — 论文原图 · Fig. 9 **学习率与平均预测概率和准确率**

学习率与平均预测概率和准确率之间的关系。

Relationship between learning rate and average prediction probability and accuracy.
查看高清原图 ↗

模型比较

九种特征提取网络在相同识别框架中进行比较

比较对象包括AlexNet、GoogLeNet、ResNet50、VGG16、InceptionV2、InceptionV3、MobileNet、ResNet101和所提模型。

所提特征识别模型Accuracy为97.09%，Loss为0.0773，RMSE为0.06；这些指标描述特征模型实验。

类别结果

K1至K4类别AP显示不同缺陷类型的识别差异

论文在四类自建轨道表面缺陷图像上报告类别级平均精度。所提模型的K3类别AP为98.96%，K4类别AP为90.34%。

所提模型在K1至K4上的mAP为94.45%，该指标与特征模型Accuracy及类别AP来自不同实验层次。

公开数据

RSSD和NEU-DET用于检查不同背景与缺陷类型下的性能

Fig.17比较SSD、R-CNN、YOLOv3、YOLOv4和所提方法在RSSD数据集上的Precision–Recall曲线。

论文还在NEU-DET数据集上比较不同类别结果，并展示复杂背景、缺陷粘连和漏检等失败案例。

Fig. 17 RSSD数据集上的不同方法性能 — 论文原图 · Fig. 17 **RSSD数据集上的不同方法性能**

不同方法在RSSD数据集上的性能。

Performance of different methods on the RSSD dataset.
查看高清原图 ↗

研究范围

图像类别、采集条件与失败案例限定识别范围

实验验证四类轨道表面缺陷、自建数据和两个公开数据集中的图像识别性能。输出包括缺陷类别和二维位置框。

论文展示严重粘连、候选框不完整和漏检案例，并提出后续结合其他传感信息研究轨道状态。

第二层阅读

需要更快地把握方法链和核心机制？

AI简报不会替代上方的论文原文导读；它只在您主动打开时加载。

引用

引用本文

以下格式根据论文正式题录生成；使用前请按目标期刊或机构规范复核。

GB/T 7714

YANG H, BI Q, YAO Z, WANG Y. Accurate and effective framework for identifying track defects[J]. Measurement, 2022, 190: 110625. DOI:10.1016/j.measurement.2021.110625.

APA

Yang, H., Bi, Q., Yao, Z., & Wang, Y. (2022). Accurate and effective framework for identifying track defects. Measurement, 190, 110625. https://doi.org/10.1016/j.measurement.2021.110625

IEEE

H. Yang, Q. Bi, Z. Yao, and Y. Wang, “Accurate and effective framework for identifying track defects,” Measurement, vol. 190, Art. no. 110625, 2022, doi: 10.1016/j.measurement.2021.110625.