按 Enter 到主內容區
:::

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

:::
  • 小字級
  • 中字級
  • 大字級
  • 列印
  • facebook
  • plurk
  • twitter

港灣技術季刊

篇名 人工智慧軌道構件巡檢系統精進及驗證
作者 鄭登鍵、賴瑞應、謝禎冏、黃維信
摘要

      為協助交通部臺灣鐵路管理局(以下簡稱臺鐵局)改善人工徒步目視巡檢作業,交通部運輸研究所港灣技術研究中心(以下簡稱港研中心)導入人工智慧(AI)深度學習方式進行鐵路軌道構件缺失檢測,期能降低人力負擔並提升巡檢效能。透過蒐集國內外鐵路軌道構件檢測案例,比較其設備及分析方法,依據國內軌道環境及相關構件樣態,打造軌道構件影像擷取設備。透過實地檢測蒐集軌道構件影像,依俯視及側視軌道構件樣本,分為俯視10 種缺失類別、側視 4 種缺失類別與2 種正常類別。本研究採用 YOLOv4-Tiny[15]物件偵測技術模型進行深度學習訓練,再從測試資料中驗證構件缺失檢出率(Recall rate),並搭配定位系統,標註缺失構件並記錄其位置。本研究經實地檢測共錄製超過 70 公里軌道構件影像,相較於 2020 年研究採用 YOLOv4[5]模型,僅針對俯視軌道扣件缺失進行檢測,扣件缺失檢出率 87%,平均精確率(mAP)為 94.8%,辨識速度約 55 張/秒,本研究改採輕量級 YOLOv4-Tiny 模型,除原本俯視軌道扣件外,再新增其他俯視及側視軌道構件(扣件、道釘、鋼軌、魚尾鈑)資料集進行訓練及辨識,所得俯視缺失與側視缺失檢出率分別為 91%與 94%,平均精確率為 91.7%與 99.2%,顯示辨識效能明顯進步,速度也提升至150 張/秒。研究過程中 YOLOv4-Tiny 模型與人工徒步巡檢比較,辨識效能初始較差,發現原因為訓練集標記錯誤,或是實際檢測與訓練集之訓練樣本差異過大,經修正標記與新增缺失樣本重新訓練後,AI 辨識效能整體優於人工徒步巡檢。 

頁數 15
出版年份 111
出版月份 11
瀏覽人次:256
回頁首