Resumen

En la inspección de la seguridad de los trenes de alta velocidad, se necesitan dos imágenes cambiadas procedentes de partes correspondientes del mismo tren y fotografiadas en momentos diferentes para identificar si se trata de defectos. El reto crítico de esta tarea de clasificación de cambios es cómo tomar una decisión correcta utilizando imágenes bitemporales. En este trabajo se presentan dos redes neuronales convolucionales para realizar esta tarea. A diferencia de las tareas de clasificación tradicionales, que simplemente agrupan cada imagen en diferentes categorías, las dos redes presentadas son capaces de detectar intrínsecamente las diferencias entre dos imágenes e identificar además los cambios utilizando un par de imágenes. De este modo, incluso en el caso de que no se disponga de muestras anormales de componentes específicos en el entrenamiento, nuestras redes siguen siendo capaces de hacer inferencias sobre si se convierten en anormales utilizando la información de los cambios. Este método propuesto puede utilizarse para aplicaciones de reconocimiento o verificación en las que las decisiones no pueden tomarse con una sola imagen (estado). Equipado con aprendizaje profundo, este método puede abordar muchas tareas desafiantes de inspección de seguridad de trenes de alta velocidad, en las que los métodos convencionales no pueden funcionar bien. Para mejorar aún más el rendimiento, se introduce un novedoso método de entrenamiento multiforma. Extensos experimentos demuestran que los métodos propuestos funcionan bien.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:inspección de seguridad de trenes de velocidad, imágenes, novedoso método de entrenamiento multiforma, tarea de clasificación de cambios, redes neuronales convolucionales, muchas tareas desafiantes, tareas de clasificación tradicionales, imagen, método, redes
• Keywords:speed train safety inspection, images, novel multishape training method, change classification task, convolutional neural networks, many challenging tasks, traditional classification tasks, image, method, networks