基于集成CNN的可复用铁路缺陷检测AI系统
计算机视觉与模式识别
2023-11-28 v1 人工智能
机器学习
摘要
准确的缺陷检测对于确保智能铁路系统的可信性至关重要。当前方法依赖于单一深度学习模型（如CNN），其利用大量数据来捕捉潜在模式。使用有限样本训练新的缺陷分类器常导致过拟合以及对未见图像的较差表现。为此，研究者倡导迁移学习并微调预训练模型。然而，若单一骨干网络不适合特定问题领域，迁移学习中仍可能出现瓶颈问题及性能不一致。为克服这些挑战，我们提出一种可复用的AI赋能缺陷检测方法。通过集成学习与迁移学习模型（VGG-19、MobileNetV3 和 ResNet-50）相结合，我们提升了分类准确率并在训练的某一阶段实现了稳定一致的性能。我们的实证分析表明，相较于其他SOTA方法，其性能更优且更稳定。这种一致性证实了该缺陷检测系统对于新出现的缺陷轨道部件的可复用性。因此我们期望这些发现能裨益铁路系统可复用AI解决方案的进一步研发。
引用
@article{arxiv.2311.14824,
title = {A Reusable AI-Enabled Defect Detection System for Railway Using Ensembled CNN},
author = {Rahatara Ferdousi and Fedwa Laamarti and Chunsheng Yang and Abdulmotaleb El Saddik},
journal= {arXiv preprint arXiv:2311.14824},
year = {2023}
}
备注
28 pages, 13 Figures, Applied Intelligence Journal, Springer Nature