当前位置：
X-MOL 学术
›
IEEE Sens. J.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
用于标签限制轨道表面缺陷检测的自监督缺陷表示学习
IEEE Sensors Journal ( IF 4.3 ) Pub Date : 2023-10-20 , DOI: 10.1109/jsen.2023.3324668
Yanggang Xu 1 , Huan Wang 2 , Zhiliang Liu 1 , Mingjian Zuo 2
Affiliation
铁路轨道表面缺陷的自动检测方法对于保障铁路运输安全具有重要意义。然而，在实际应用中，铁路轨道上的缺陷具有数量稀少、尺寸小、形状变化大等特点。因此，在有限标记数据的约束下实施监督学习技术是一个重大挑战。为了解决这个问题，我们提出了一种基于自监督表示学习的轨道表面缺陷检测（R-SSRL）设计框架。受深度神经网络的启发，R-SSRL 基于卷积编码器-解码器神经网络进行组织，以分割轨道缺陷。此外，它还使用一种新颖的自监督算法和一种设计的缺陷模拟方法来从无缺陷的钢轨样本中学习缺陷的可能特征表示。这使得 R-SSRL 能够利用现成的无缺陷样本，通过有限的标记数据来提高模型性能。在真实数据集上的实验表明，R-SSRL 框架在铁路缺陷检测任务中表现出优越的性能，优于其他模型。
"点击查看英文标题和摘要"
京公网安备 11010802027423号