| 篇名 | 人工智能轨道构件巡检系统精进及验证 |
| 作者 | 郑登键、赖瑞应、谢祯冏、黄维信 |
| 摘要 | 为协助交通部台湾铁路管理局(以下简称台铁局)改善人工徒步目视巡检作业,交通部运输研究所港湾技术研究中心(以下简称港研中心)导入人工智能(AI)深度学习方式进行铁路轨道构件缺失检测,期能降低人力负担并提升巡检效能。透过蒐集国内外铁路轨道构件检测案例,比较其设备及分析方法,依据国内轨道环境及相关构件样态,打造轨道构件影像撷取设备。透过实地检测蒐集轨道构件影像,依俯视及侧视轨道构件样本,分为俯视10 种缺失类别、侧视 4 种缺失类别与2 种正常类别。本研究采用 YOLOv4-Tiny[15]物件侦测技术模型进行深度学习训练,再从测试资料中验证构件缺失检出率(Recall rate),并搭配定位系统,标注缺失构件并记录其位置。本研究经实地检测共录制超过 70 公里轨道构件影像,相较于 2020 年研究采用 YOLOv4[5]模型,仅针对俯视轨道扣件缺失进行检测,扣件缺失检出率 87%,平均精确率(mAP)为 94.8%,辨识速度约 55 张/秒,本研究改采轻量级 YOLOv4-Tiny 模型,除原本俯视轨道扣件外,再新增其他俯视及侧视轨道构件(扣件、道钉、钢轨、鱼尾钣)资料集进行训练及辨识,所得俯视缺失与侧视缺失检出率分别为 91%与 94%,平均精确率为 91.7%与 99.2%,显示辨识效能明显进步,速度也提升至150 张/秒。研究过程中 YOLOv4-Tiny 模型与人工徒步巡检比较,辨识效能初始较差,发现原因为训练集标记错误,或是实际检测与训练集之训练样本差异过大,经修正标记与新增缺失样本重新训练后,AI 辨识效能整体优于人工徒步巡检。 |
| 页数 | 15 |
| 出版年份 | 111 |
| 出版月份 | 11 |
| 档案下载 | 人工智能轨道构件巡检系统精进及验证.pdf |
| Hashtags |
查看次数:
4