基于无监督深层FCDD的农村铁路木枕劣化检测与预后

在日常铁路运营中为用户安全维持高标准对铁路管理者至关重要。为此，顶视或侧视相机与GPS定位系统推动了自动化周期性检测缺陷特征及评估铁路部件劣化状态的进展。然而，由于极端的时间发生不平衡，收集劣化状态数据可能耗时且需要重复数据采集。在有监督学习中，需要数千个包含缺陷原始图像与标注标签的配对数据集。而单类分类方法具有仅需较少图像即可优化正常与异常特征训练参数的优势。深层全卷积数据描述（FCDD）已适用于若干结构混凝土/钢部件、倒木及灾害中木建筑坍塌的损坏数据集。但其对铁路部件的可行性尚属未知。本研究中，我们设计了一种预后判别流程，利用深层FCDD实现铁路缺陷部件的单类损坏分类自动化。我们还基于卷积神经网络（CNN）进行了深层骨干的消融研究。此外，我们通过转置高斯上采样可视化了劣化特征。我们利用阴天与晴天场景下后向视角的铁路轨道视频采集数据集展示了铁路检测应用。最后，我们考察了该方法在预后及铁路检测未来工作中的可用性。