针对常规深度学习网络规模大、对现场设备硬件要求高且人工标注位置数据复杂费时等问题,提出了一种语义数据标注的轻量化轨道扣件故障检测方法。该方法仅对训练数据做语义标注,改进轻量化Transformer模型,嵌入梯度加权类激活映射(gradie...针对常规深度学习网络规模大、对现场设备硬件要求高且人工标注位置数据复杂费时等问题,提出了一种语义数据标注的轻量化轨道扣件故障检测方法。该方法仅对训练数据做语义标注,改进轻量化Transformer模型,嵌入梯度加权类激活映射(gradient-weighted class activation mapping,简称Grad-CAM)模块对模型输出的特征图权重作映射处理,可将模型对轨道扣件检测效果可视化。将获得的激活图进行二值化定位检测目标位置,实验结果表明,在真实铁路环境下,改进的轻量化轨道扣件模型的准确率为94.31%。展开更多
文摘针对常规深度学习网络规模大、对现场设备硬件要求高且人工标注位置数据复杂费时等问题,提出了一种语义数据标注的轻量化轨道扣件故障检测方法。该方法仅对训练数据做语义标注,改进轻量化Transformer模型,嵌入梯度加权类激活映射(gradient-weighted class activation mapping,简称Grad-CAM)模块对模型输出的特征图权重作映射处理,可将模型对轨道扣件检测效果可视化。将获得的激活图进行二值化定位检测目标位置,实验结果表明,在真实铁路环境下,改进的轻量化轨道扣件模型的准确率为94.31%。