用于 Pantograph-Catenary 系统中弧线检测的多模态学习
计算机视觉与模式识别
2026-02-10 v1 人工智能
机器学习
摘要
Pantograph-Catenary 界面对于确保电气化铁路系统中 uninterrupted and reliable 电力输送至关重要。然而，此界面处的电弧会带来严重风险，包括接触部件的加速磨损、系统性能的恶化以及潜在的服务中断。由于弧线的瞬时性质、嘈杂的运行环境、数据稀缺以及难以区分弧线与其他类似瞬时现象，检测 Pantograph-Catenary 界面处的弧线具有挑战性。为了应对这些挑战，我们提出了一个新型多模态框架，将高分辨率图像数据与力量测量数据相结合，以更准确、更稳健地检测弧线事件。首先，我们构建了两个包含同步视觉和力量测量的弧线检测数据集。一个数据集来自瑞士联邦铁路（SBB）提供的数据，另一个数据集源于不同铁路系统中弧线事件的公开视频以及模仿真实数据集特征的合成力量数据。利用这些数据集，我们提出了 MultiDeepSAD，这是 DeepSAD 算法的一个扩展，用于多个模态并配备新的损失函数。此外，我们引入针对每种数据类型的特定伪异常生成技术，例如在图像中生成合成类火花的痕迹以及模拟力量不规则性，以增强训练数据并提高模型的判别能力。通过大量实验和消融研究，我们证明我们的框架显著优于基线方法，表现出即使在域迁移和弧线观察稀缺的情况下，也能对真实弧线事件具有增强的灵敏度。
引用
@article{arxiv.2602.08792,
title = {Multimodal Learning for Arcing Detection in Pantograph-Catenary Systems},
author = {Hao Dong and Eleni Chatzi and Olga Fink},
journal= {arXiv preprint arXiv:2602.08792},
year = {2026}
}