حل يعتمد على الرؤية لاكتشاف الانحراف في المسار

الانزلاق عن القضبان هو أحد أكثر الطرق شيوعًا التي تحدث بها حوادث السكك الحديدية. يمكن أن تؤدي عيوب المسار، مثل التمدد (الانحناء الجانبي) والانحناء المفرط (الانحناء الرأسي)، إلى انحراف المسار، مما يسهل حدوث الانزلاق. في حين أن الانحناء الجانبي للمسار يؤدي إلى انحرافات جانبية، فإن الانحناء الرأسي قد ينتج عنه انحرافات رأسية. يمكن تمييز هذه الانحرافات بوضوح، ويمكن حتى أتمتة اكتشافها باستخدام نماذج تعتمد على البيانات. يناقش هذا البحث كيفية بناء مثل هذه النماذج القائمة على البيانات. لا توجد حالياً مجموعات بيانات عامة متاحة لبناء هذه النماذج؛ ولذلك نقدّم مجموعة بيانات جديدة تُسمى TMD (مجموعة بيانات اكتشاف انحراف المسار)، وتشمل صورًا للمسارات المُنحرفة والمسارات الطبيعية. المشكلة التي نسعى إلى حلها تُعد في جوهرها مشكلة تصنيف ثنائي للصور، ونحلها من خلال استكشاف نهج استخلاص الميزات باستخدام التعلم الناقل (Transfer Learning - TL). في هذا النهج، نستخدم شبكة مُدرّبة مسبقًا لاستخلاص ميزات غنية، ثم نزوّد هذه الميزات بملصقات (تسميات) لخوارزمية تعلّم لبناء نموذج تعلم ناقل مرشّح. توجد العديد من الشبكات المُدرّبة مسبقًا وخوارزميات التعلّم، ما يؤدي إلى وجود عدد كبير من نماذج التعلم الناقل؛ وبالتالي، أصبح من الضروري تحديد النماذج الفعّالة. نقترح معيار تقييم لتحديد النماذج الفعّالة حتى قبل اختبارها. تُظهر تجاربنا أن النماذج التي تم اختيارها بناءً على معيار التقييم المقترح تؤدي فعليًا بشكل أفضل من النماذج المرشحة الأخرى أثناء الاختبار.