基于代价敏感卷积神经网络的扣件缺陷检测算法.pdf

《基于代价敏感卷积神经网络的扣件缺陷检测算法》 在铁路安全中，扣件的完好至关重要，因为它们是连接钢轨与轨枕的关键组件，确保了钢轨的稳定。然而，由于列车运行时产生的异常振动，扣件可能会发生断裂或丢失，这对铁路运营安全构成威胁。传统的检测方法依赖于人工，效率低下且难以适应高速铁路的需求。因此，研究人员开始探索利用图像处理技术和机器学习来自动化扣件检测。 本文提出了一种基于代价敏感策略的卷积神经网络（CNN）算法，专门针对扣件缺陷检测，特别是处理数据集不平衡的问题。在CNN的基础上，引入了AdaBoost算法的思想，通过动态调整样本权重，使得算法能更关注那些难以识别的样本，尤其是小类（缺陷扣件）样本。具体来说，算法在训练过程中，对每个样本赋予不同的权重，根据前一轮模型的错误率进行调整，并对类别权重进行归一化，以增强小类样本的影响力。 实验在高速铁路无砟轨道和普速铁路有砟轨道的两个扣件数据集上进行，采用G-mean作为评价指标，以平衡不同类别的召回率。结果显示，改进后的算法在高速铁路无砟轨道数据集上的G-mean值提高了10%以上，在普速铁路有砟轨道数据集上提高了25%以上，相比传统方法分别提高了13%和39%以上，表现出显著的提升。 过去的研究中，各种特征提取和分类方法被用于扣件检测，如小波变换、PCA降维、RBF神经网络、多层感知器、模板匹配、Haar-like特征、概率主题模型、半监督深度学习等。然而，这些方法在处理实际数据集时，由于小批量且各类样本均衡的限制，往往表现不佳。与之相反，本文提出的代价敏感CNN算法能够更好地应对现实世界中的类不平衡问题，从而提高检测的准确性和鲁棒性。 总结来说，基于代价敏感的CNN算法为扣件缺陷检测提供了一个有效的解决方案，尤其适用于不平衡数据集的情况。这一方法不仅提高了检测精度，还减轻了人工检测的压力，对于保障铁路系统的安全运行具有重要的实践意义。未来的研究可以进一步优化这一算法，比如探索更复杂的样本权重调整策略，或者结合其他先进的机器学习技术，以适应更多种类的缺陷检测。