[论文解读] 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 12

一句话总结

该论文提出了一种用于智能铁路异物检测的半监督卷积自编码器框架，训练过程中无需异物的先验标签。通过在基于重建的异常检测流程中引入对抗性学习，该方法通过重建误差分析识别未知异物，在真实铁路图像数据集上优于基准方法。

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

研究动机与目标

• 解决在无需事先提供异物类别或位置标签的情况下，检测铁路轨道上未知异物的挑战。
• 开发一种自监督框架，从无标签图像中学习正常轨道模式，并通过重建误差检测异常。
• 通过实现对可能导致脱轨的异物的自动化、实时检测，提升铁路运输安全性。
• 减少在铁路监控中对昂贵且耗时的异物数据人工标注的依赖。

提出的方法

• 使用卷积自编码器作为主干网络，其中瓶颈特征生成器作为编码器，从输入图像中提取紧凑表征。
• 摄影图像生成器作为解码器，从学习到的潜在特征中重建输入图像。
• 通过生成对抗性学习引入重建判别器，以提升重建图像的真实感和保真度。
• 通过计算输入图像与重建图像之间的重建误差来检测异常，误差的阈值基于误差的正态分布设定。
• 该框架以半监督方式运行，仅使用正常轨道图像进行训练，并将偏差识别为异物。
• 在不同异常条件下，采用多种性能指标（包括F1-score、精确率和召回率）对方法进行评估。

实验结果

研究问题

• RQ1 是否能够通过一种半监督深度学习框架，在训练过程中不依赖异物的标注样本，实现对铁路轨道上异物的检测？
• RQ2 卷积自编码器结合对抗性训练的重建误差，在识别真实铁路图像中未知异物方面效果如何？
• RQ3 所提出方法在铁路异物检测中，相较于完全监督和其他无监督异常检测基准，性能提升程度如何？
• RQ4 该框架在真实轨道环境中，面对物体尺寸、形状和背景杂波变化时，其鲁棒性如何？

主要发现

• 所提方法在测试集上实现了0.91的平均F1-score，优于多种先进的无监督和半监督异常检测模型。
• 该框架展现出强大的泛化能力，能够检测到训练过程中未见过的类别和形状的未知异物。
• 重建误差分析能有效突出异常，正常轨道图像的误差显著低于含有异物的图像。
• 引入对抗性判别器提升了重建质量，并增强了异常检测的敏感性。
• 该方法保持了较高的精确率（0.89）和召回率（0.87），表明在各类检测指标上表现均衡。
• 由于对监督信号的需求较低，该方法具有良好的可扩展性，适合集成到物联网（IoT）增强的铁路监控系统中。