| 书 名 | 轨道扣件缺失人工智能辨识现地测试及精进研究 |
| 出版单位 | 运输技术研究中心 |
| 出版年份 | 111 |
| 出版月份 | 3 |
| 价格 | 200 |
| 摘要 | 本研究以 AI 方式进行全自动辨识铁路轨道构件,得以降低人工巡检的人力及时间,并将此技术实地测试与应用推广。首先蒐集国内外铁路轨道构件检测案例并分析其设备、方法及国内适用性,接着建立轨道构件样本的撷取设备,包含影像记录及照明,再依收集之上视、侧视轨道构件样本,分为上视 10 种缺失类别、侧视 4 种缺失类别与 2 种正常类别之影像标记,采用 YOLOv4-Tiny 模型进行深度学习训练,再从测试资料验证构件缺失检出率。并搭配定位系统,提升巡检效能,有助于台湾轨道维护管理,提升轨道行车安全。在实验中,影像撷取的部份,采用运动型摄影机 GoPro 进行上视与侧视拍摄,共录制超过 70 公里轨道构件影像。前一年计画采用 YOLOv4 进行缺失构件检测,缺失检出率(Recall rate) 87%,平均精确率(mAP)为 94.8%,辨识速度大约 50 张/秒,本年度计画采用轻量级 YOLOv4-Tiny 模型,各以上视缺失构件与侧视构件资料集,进行训练,所得上视缺失与侧视缺失检出率分别为 91%、94%,平均精确率各别为 91.7%、99.2%,显示辨识指标有明显进步,执行效能也进步到 150 张/秒。期间 YOLOv4-Tiny 模型与人工徒步巡检比较,一开始较差,发现是训练集标记错误或者是现场缺失构件与训练集有很大差异,经修正标记与增加新缺失样本后,整体效能比人力徒步巡检稍佳。
成果效益与应用情形: 本研究成果可提供交通部或台铁局轨道维护单位,在日常轨道巡检上,有效管理轨道安全,作为后续维护与补强轨道之参考。 |
| 张贴日 | 2022/03/24 |
| 档案下载 | B1110170.pdf |
| Hashtags |
查看次数:
48