Clasificación de defectos en rieles con método de aprendizaje profundo

La buena condición de los rieles ferroviarios es crucial para garantizar la operación segura de la red ferroviaria. En la actualidad, los detectores de fallas de rieles se utilizan ampliamente en la detección de fallas en rieles, y generalmente se basan en el principio de detección ultrasónica. Sin embargo, el proceso de análisis de resultados de detección de rieles implica un gran trabajo manual y los costos laborales asociados, con bajos niveles de eficiencia. Para mejorar la eficiencia, la precisión del análisis de resultados y también reducir los costos laborales, es necesario emplear la clasificación de imágenes B-scan de detección de fallas ultrasónicas, basada en un algoritmo de inteligencia artificial. Inspirados por los modelos de transformadores, con un excelente rendimiento en el campo del procesamiento de lenguaje natural (NLP), algunos modelos de aprendizaje profundo difieren de las redes neuronales convolucionales (CNN) tradicionales y están surgiendo gradualmente en el campo del procesamiento de imágenes por computadora. Para explorar la practicidad de este modelo en el campo del procesamiento de imágenes por computadora (visión), en este documento se emplea el Vision Transformer (ViT) para entrenar con datos de imágenes B-scan de defectos en rieles y producir una clasificación de defectos en rieles. La precisión del modelo es superior al 90%, alcanzando la máxima precisión del 98.92%.