基于多尺度WideResNet的铁轨缺陷小样本检测算法

摘要

铁轨缺陷检测对铁路安全和降低维护成本非常重要。面对铁路网络扩张和缺陷样本稀缺带来的挑战，尤其是小样本条件下的过拟合问题，本文提出了一种基于多尺度WideResNet(Wide Residual Network)的小样本铁轨表面缺陷检测算法，通过数据增强等图像处理技术扩大有限的训练集，提高模型的泛化能力；利用迁移学习策略，通过预训练的WideResNet模型提取多尺度特征，并将其用于铁轨缺陷检测任务，减少对大量标注数据的依赖，加快小样本模型训练快速收敛；设计小样本深度学习模型策略，构建度量学习模块，从有限的标注数据中快速学习并进行有效泛化。结果表明，该算法在10-shot小样本条件下能够有效地检测铁轨表面缺陷，模型平均精度达到83.6%，召回率高达93.8%。

关键词

铁轨缺陷检测 / 小样本学习 / 深度学习 / 图像处理 / 机器视觉

基金资助

江苏省高等学校自然科学研究项目（24KJB560021）