Resumen

La falla en la subrasante ferroviaria es una seria amenaza para la seguridad de los trenes. El método de GPR en vehículos se ha convertido en la principal tecnología de detección de subrasante ferroviaria, gracias a sus ventajas de rapidez y no destructividad. Sin embargo, debido a la gran cantidad de datos de detección y a la variedad en la forma y tamaño de los defectos, el reconocimiento de defectos es una tarea desafiante. En este trabajo, se propone un método basado en aprendizaje profundo para reconocer defectos a partir del perfil del radar de penetración terrestre (GPR) de los datos de detección de subrasante. Basado en el marco Faster R-CNN, se han integrado estrategias de mejora como la cascada de características, la red de eliminación espacial adversaria (ASDN), Soft-NMS y la aumentación de datos para mejorar la precisión de reconocimiento, de acuerdo con las características de los defectos de la subrasante. Los resultados experimentales indican que, en comparación con el método tradicional SVM+HOG y el

• Materias:Algoritmo de agrupamiento Reconocimiento de caracteres Reconocimiento de entidades nombradas Algoritmos de recomendación Tecnologías de contenedores
• Subjects:Clustering algorithm Character recognition Named entity recognition Recommendation algorithms Container technologies
• Palabras claves:Plataforma ferroviaria; Reconocimiento de defectos; Aprendizaje profundo; Radar de penetración terrestre; Faster R-CNN; Rendimiento del modelo
• Keywords:Railway subgrade; Defect recognition; Deep learning; Ground penetrating radar; Faster R-CNN; Model performance