交通部運輸研究所Institute of Transportation, MOTC

      本研究以 AI 方式進行全自動辨識鐵路軌道構件，得以降低人工巡檢的人力及時間，並將此技術實地測試與應用推廣。首先蒐集國內外鐵路軌道構件檢測案例並分析其設備、方法及國內適用性，接著建立軌道構件樣本的擷取設備，包含影像記錄及照明，再依收集之上視、側視軌道構件樣本，分為上視 10 種缺失類別、側視 4 種缺失類別與 2 種正常類別之影像標記，採用 YOLOv4-Tiny 模型進行深度學習訓練，再從測試資料驗證構件缺失檢出率。並搭配定位系統，提升巡檢效能，有助於臺灣軌道維護管理，提升軌道行車安全。在實驗中，影像擷取的部份，採用運動型攝影機 GoPro 進行上視與側視拍攝，共錄製超過 70 公里軌道構件影像。前一年計畫採用 YOLOv4 進行缺失構件檢測，缺失檢出率(Recall rate) 87%，平均精確率(mAP)為 94.8%，辨識速度大約 50 張/秒，本年度計畫採用輕量級 YOLOv4-Tiny 模型，各以上視缺失構件與側視構件資料集，進行訓練，所得上視缺失與側視缺失檢出率分別為 91%、94%，平均精確率各別為 91.7%、99.2%，顯示辨識指標有明顯進步，執行效能也進步到 150 張/秒。期間 YOLOv4-Tiny 模型與人工徒步巡檢比較，一開始較差，發現是訓練集標記錯誤或者是現場缺失構件與訓練集有很大差異，經修正標記與增加新缺失樣本後，整體效能比人力徒步巡檢稍佳。

成果效益與應用情形：

      本研究成果可提供交通部或臺鐵局軌道維護單位，在日常軌道巡檢上，有效管理軌道安全，作為後續維護與補強軌道之參考。