在铁路维修中，人工智能(AI)和深度学习技术的融合标志着传统检测方法的转变。发表在《高速铁路》上的一项新研究介绍了一种高性能铁路检测系统，该系统利用人工智能的最新进展，特别是采用YOLOv8进行快速准确的缺陷检测。
“我们开发了一个基于生产者-消费者模型的模型推理管道，利用并行处理和并发计算来显著提高检测速度和效率，”合著者、南卡罗来纳大学土木与环境工程系副教授于谦说。
通过使用c++、TensorRT、float16量化和oneTBB等工具，我们的系统提高了处理速度，在桌面系统上达到了281.06 FPS，在边缘计算平台上达到了200.26 FPS。”
这项研究回应了对及时和有效的铁路检查的迫切需求，特别是在维护窗口有限的高速网络中。通过结合人工智能和优化整个推理管道，研究人员不仅提高了检查速度，而且保持了较高的准确性。
YOLOv8的使用和一个复杂的模型推理管道标志着对顺序处理的背离，解决了在数据预处理和后处理阶段常见的瓶颈问题。
钱补充说:“这种方法不仅简化了检查过程，而且为铁路行业的实时检查能力设定了新的标准。”“我们的研究结果为人工智能如何改变铁路维护、潜在地降低事故风险、提高铁路网的安全性和可靠性提供了一个新的视角。在不影响精度的情况下显著提高处理速度，为轨道维护的实时决策开辟了新的可能性。”
新方法的成功为未来在其他基础设施维护领域的研究和应用提供了一个有希望的方向，强调了人工智能在改善公共安全和资产管理方面的作用。
更多资料:唐友志等，基于高性能模型部署的YOLOv8高速铁路轨道部件检测框架，《高速铁路》(2024)。引文:高速铁路轨道部件检测框架利用人工智能的最新进展(2024,4月3日)检索自2024年4月5日https://techxplore.com/news/2024-04-high-railway-track-components-framework.html本文受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
