摘要
脱轨是铁路事故中最常见的类型之一。轨道缺陷，如轨道波浪形变形（buckling）和拱起（hogging），会导致轨道出现错位，从而极易引发脱轨事故。当轨道因波浪形变形而发生横向错位时，可能导致脱轨；而轨道拱起则可能引起纵向错位。这些轨道错位现象通常肉眼可见，甚至可以通过数据驱动模型实现自动化识别。本文探讨了如何构建此类数据驱动模型。目前尚无公开可用的数据集用于训练此类模型，因此我们提出了TMD（Track Misalignment Detection，轨道错位检测）数据集。该数据集包含轨道错位与正常状态的图像样本。本文所解决的问题本质上是一个二分类图像识别问题，我们通过探索基于迁移学习（Transfer Learning, TL）的特征提取方法来应对。在此方法中，我们采用预训练网络提取丰富的特征表示，再将这些特征与标注信息输入学习算法，以构建候选的迁移学习模型。由于存在多种预训练网络和学习算法，可生成大量迁移学习模型，因此识别出其中有效的模型变得至关重要。为此，我们提出了一种评估准则，能够在实际测试前判断哪些模型具有更高的有效性。实验结果表明，依据我们所提出的评估准则筛选出的迁移学习模型，在实际测试中确实表现优于其他候选模型。