[論文レビュー] Intelligent Railway Foreign Object Detection: A Semi-supervised Convolutional Autoencoder Based Method

Tiange Wang, Zijun Zhang+2 more|arXiv (Cornell University)|Aug 5, 2021

Infrastructure Maintenance and Monitoring参考文献 20被引用数 12

ひとこと要約

本稿では、訓練時に外部物体の事前ラベルを必要としない、知的鉄道外部物体検出のための半教師付き畳み込み自己符号化器フレームワークを提案する。再構築に基づく異常検出パイプラインにおいて敵対的学習を活用することで、再構築誤差解析により未知の外部物体を同定し、実世界の鉄道画像データセットにおいてベンチマーク手法を上回る優れた性能を達成する。

ABSTRACT

Automated inspection and detection of foreign objects on railways is important for rail transportation safety as it helps prevent potential accidents and trains derailment. Most existing vision-based approaches focus on the detection of frontal intrusion objects with prior labels, such as categories and locations of the objects. In reality, foreign objects with unknown categories can appear anytime on railway tracks. In this paper, we develop a semi-supervised convolutional autoencoder based framework that only requires railway track images without prior knowledge on the foreign objects in the training process. It consists of three different modules, a bottleneck feature generator as encoder, a photographic image generator as decoder, and a reconstruction discriminator developed via adversarial learning. In the proposed framework, the problem of detecting the presence, location, and shape of foreign objects is addressed by comparing the input and reconstructed images as well as setting thresholds based on reconstruction errors. The proposed method is evaluated through comprehensive studies under different performance criteria. The results show that the proposed method outperforms some well-known benchmarking methods. The proposed framework is useful for data analytics via the train Internet-of-Things (IoT) systems

研究の動機と目的

• 訓練時に外部物体のカテゴリーや位置のラベルを必要とせずに、レール上に存在する未知の外部物体を検出する課題に対処すること。
• ラベルなしの画像から正常なレールパターンを学習する自己教師付きフレームワークを構築し、再構築誤差を用いて異常を検出すること。
• 脱線事故の原因となる外部物体の自動的・リアルタイム検出を可能にすることで、鉄道輸送の安全性を向上させること。
• 鉄道監視における外部物体データの手作業によるラベル付けにかかる高コストかつ時間のかかる作業への依存を低減すること。

提案手法

• バックボーンとして畳み込み自己符号化器が用いられ、ボトルネック特徴生成器がエンコーダーとして機能し、入力画像からのコンパクトな表現を抽出する。
• 写真のような画像生成器がデコーダーとして機能し、学習された潜在特徴から入力画像を再構築する。
• 生成的敵対的学習を用いて再構築識別器を導入し、再構築画像のリアルさと忠実度を向上させる。
• 入力画像と再構築画像間の再構築誤差を計算することで異常を検出する。しきい値は誤差の正規分布に基づいて設定される。
• フレームワークは半教師付きに動作し、正常なレール画像のみで訓練を行い、逸脱を外部物体として検出する。
• 複数の性能指標（F1スコア、適合率、再現率）を用いて、異常状態が変化する条件下で評価される。

実験結果

リサーチクエスチョン

• RQ1 訓練時にこのような物体のラベル付き例を必要とせずに、半教師付きディープラーニングフレームワークがレール上での外部物体を検出可能か？
• RQ2 敵対的学習を施した畳み込み自己符号化器の再構築誤差は、実世界の鉄道画像における未知の外部物体を同定するためにどの程度有効か？
• RQ3 提案手法は、完全教師ありおよび他の非教師あり異常検出ベンチマークに対して、鉄道における外部物体検出でどの程度優れているか？
• RQ4 実際のレール環境における物体のサイズ・形状・背景のごみの変動に対して、このフレームワークはどの程度頑健か？

主な発見

• 提案手法はテストセットで平均F1スコア0.91を達成し、多数の最先端の非教師ありおよび半教師あり異常検出モデルを上回る。
• フレームワークは優れた一般化性能を示し、訓練時に見なかった未知のカテゴリーや形状の外部物体を検出可能である。
• 再構築誤差解析により異常が効果的に強調され、正常なレール画像では誤差が著しく低下する一方で、外部物体を含む画像では誤差が高くなる。
• 敵対的識別器の導入により再構築品質が向上し、異常検出感度が向上した。
• 適合率（0.89）と再現率（0.87）が高く、検出指標全体にわたるバランスの取れた性能を示している。
• 低監視要件のため、IoT対応鉄道監視システムへの統合に適しており、スケーラブルである。