Key points are not available for this paper at this time.
Les voies ferrées doivent être inspectées et surveillées périodiquement pour garantir un transport sûr. L'inspection automatisée des voies à l'aide de méthodes de vision par ordinateur et de reconnaissance de motifs a récemment montré un potentiel d'amélioration de la sécurité en permettant des inspections plus fréquentes tout en réduisant les erreurs humaines. L'automatisation complète reste très difficile en raison du nombre de modes de défaillance différents possibles, ainsi que de la grande variété de variations d'images qui peuvent potentiellement déclencher des fausses alarmes. De plus, le nombre de composants défectueux est très faible, donc peu d'exemples d'entraînement sont disponibles pour que la machine puisse apprendre à détecter des anomalies de manière robuste. Dans cet article, nous montrons que la performance de détection peut être améliorée en combinant plusieurs détecteurs au sein d'un cadre d'apprentissage multitâche. Nous montrons que cette approche se traduit par une précision améliorée pour détecter les défauts sur les traverses et les fixations ferroviaires.
Gibert et al. (Jeu,) ont étudié cette question.