用于轨道检测的铁路图像数据增强

对所有资产进行定期维护对铁路正常运行至关重要。人工维护可能非常繁琐且存在出错空间。植被过度生长、日照曲轨等轨道异常会影响轨道结构，导致载荷传递不均、轨道横向力失衡，进而引起轨道进一步劣化，并最终可能导致机车脱轨。因此有必要持续监测轨道健康状况。轨道异常十分罕见，偏斜程度可高达每数百万张正常图像中仅一张异常。我们提出一种构建训练数据的方法，使我们的算法更鲁棒并有助于检测真实世界轨道问题。数据增强将直接提升我们检测异常的能力，从而减少铁路在人工巡检上花费的时间。本文讨论了一个真实用例：从安装在运动机车上的相机检测铁路轨道缺陷并追踪其位置。该相机经设计可承受运动列车上的环境因素，并以约 30 帧每秒提供稳定一致的图像。我们实现了一个图像仿真流水线，包括轨道检测、感兴趣区域选择、异常图像增强。针对日照曲轨和植被过度生长仿真了训练图像。在 Imagenet 数据集上预训练的 Inception V3 模型被微调用于二分类。对于植被过度生长情况，该模型在实际植被图像上泛化良好，尽管其仅在仿真图像上训练和验证，而仿真图像与实际植被可能分布不同。日照曲轨分类器能以 97.5% 的精度对专业仿真的日照曲轨视频分类。