Resumen

Como resultado de la presión a largo plazo de las operaciones del tren y la exposición directa al entorno natural, los rieles, los sujetadores y otros componentes de las líneas de las vías férreas inevitablemente producen defectos, que tienen un impacto directo en la seguridad de las operaciones del tren. En este estudio se propone un método de detección multiobjeto basado en una red neuronal convolucional profunda que puede lograr la detección no destructiva de los defectos de la superficie de los raíles y de las sujeciones. En primer lugar, se localizan los raíles y las sujeciones en la imagen de la vía férrea mediante el marco mejorado YOLOv5. A continuación, se utiliza el modelo de detección de defectos basado en Mask R-CNN para detectar los defectos superficiales del carril y segmentar el área de defectos. Por último, el modelo basado en el marco ResNet se utiliza para clasificar el estado de las fijaciones. Para verificar la robustez y eficacia de nuestro método propuesto, realizamos pruebas experimentales utilizando las imágenes de las vías férreas con y sin balasto recogidas en la línea ferroviaria de alta velocidad Shijiazhuang-Taiyuan. A través de una variedad de índices de evaluación para comparar con otros métodos que utilizan algoritmos de aprendizaje profundo, los resultados experimentales muestran que nuestro método supera a los demás en todas las etapas y permite una detección eficaz de la superficie del carril y los elementos de fijación.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:imagen de la vía férrea, detección de carril, superficie del carril, sujetadores, operaciones de tren, red neuronal convolucional, métodos de detección multiobjeto, algoritmo de aprendizaje profundo, modelo de detección de defectos, línea ferroviaria de velocidad
• Keywords:railway track image, detection of rail, rail surface, fasteners, train operations, convolutional neural network, multiobject detection methods, deep learning algorithm, defects detection model, speed railway line