基于视觉与深度学习的铁路轨道监测

过去已探索基于计算机视觉的方法用于检测铁路轨道缺陷，但完全自动化一直是一项挑战，因为传统的图像处理方法以及从零训练的深度学习分类器在有限标注数据下都难以很好地泛化到现实世界中无穷的新异场景。近期在使机器学习模型利用来自不同但相关领域的知识方面取得了进展。本文中，我们表明即使没有相似的领域数据，迁移学习也能为模型提供对其他真实世界物体的理解，并支持在不受控真实世界数据上训练生产规模的深度学习分类器。我们的模型高效检测了轨道缺陷（如沉降、道砟松动）和铁路资产（如道岔与信号）。模型使用在不同大洲录制的数小时轨道视频进行了验证，这些视频具有不同天气条件、不同环境与周边。我们还提出了轨道健康指数概念以监测完整铁路网络。