Обзор обнаружения дефектов на основе аудио- и видеоданных с использованием глубокого обучения в техническом обслуживании железнодорожного транспорта
A Survey on Audio-Video Based Defect Detection Through Deep Learning in Railway Maintenance
2022-01-01
SCID: 54.1/ke44ybse
Discuss with AI
аудиовизуальные датчикиглубокое обучениеобнаружение дефектовпредиктивное техническое обслуживаниетехническое обслуживание железных дорог
Figures from the paper
Abstract (AI)
В области искусственного интеллекта глубокое обучение (DL) представляет собой парадигму, демонстрирующую беспрецедентную эффективность при обработке изображений и аудиоданных, позволяя поддерживать человека или даже заменять его при обнаружении дефектов и аномалий. Ожидается, что железнодорожный сектор получит преимущества от применения DL, особенно в задачах прогнозного технического обслуживания, где могут использоваться интеллектуальные аудио- и видеосенсоры, оставаясь при этом отделёнными от функций, критичных с точки зрения безопасности. Такое разделение имеет решающее значение, поскольку позволяет повысить надёжность системы без влияния на её сертификацию безопасности. Это также подтверждается развитием DL в других транспортных отраслях, таких как автомобилестроение и авионика, что создаёт возможности для передачи знаний и подчёркивает потенциал данной парадигмы в железнодорожной сфере. С целью обобщения современного состояния исследований и изучения будущих возможностей в статье рассматриваются подходы на основе DL к анализу данных, получаемых от акустических и визуальных сенсоров, в приложениях для технического обслуживания железнодорожного транспорта, опубликованные до 31 августа 2021 года. Текущее состояние исследований изучается и оценивается с использованием структурированного и систематического метода, позволяющего выделить перспективные подходы и успешные приложения, определить доступные наборы данных, а также выявить существующие ограничения, нерешённые вопросы и проблемы и сформулировать рекомендации относительно направлений дальнейших исследований.
Key Findings
1
Глубокое обучение для аудио- и видеоданных демонстрирует потенциал обнаружения дефектов и аномалий на железных дорогах, поддерживая или потенциально заменяя человеческую инспекцию при прогнозном обслуживании.
2
Перенос знаний из автомобильной и авиационной отраслей создает возможности для развития систем обслуживания железнодорожной инфраструктуры на основе глубокого обучения.
3
Отделение интеллектуальных аудио- и видеосистем от критически важных функций железнодорожной безопасности может повысить надежность без влияния на сертификацию безопасности.
4
В статье систематически рассматриваются методы глубокого обучения для акустических и визуальных данных в обслуживании железных дорог, опубликованные до 31 августа 2021 года.
5
Обзор выявляет перспективные методы, успешные применения, доступные наборы данных, ограничения, нерешенные проблемы и направления будущих исследований.
Research Object
данные аудио- и видеодатчиков в приложениях для технического обслуживания железнодорожного транспорта
Research Subject
подходы, приложения, наборы данных, ограничения и перспективы дальнейших исследований в области обнаружения дефектов и аномалий на основе глубокого обучения
Publication Details
Publication Date
2022-01-01
Journal
Publisher
ISSN
Cited by
48
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai9
Глубокое остаточное обучение для распознавания изображений2016
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Очень глубокие сверточные сети для масштабного распознавания изображений2014
ImageNet: крупномасштабная иерархическая база изображений2009
Фотореалистичное повышение разрешения одиночного изображения с использованием генеративной состязательной сети2017
Генеративные состязательные сети с методом наименьших квадратов2017
Глубокое обучение для универсального обнаружения объектов: обзор2019
Автоматическое обнаружение дефектов крепежных элементов устройств поддержки контактной сети с использованием глубоких сверточных нейронных сетей2017
Обзор литературы по применению искусственного интеллекта в железнодорожных системах2022