人工智慧軌道構件巡檢系統精進及驗證

為協助交通部臺灣鐵路管理局（以下簡稱臺鐵局）改善人工徒步目視巡檢作業，交通部運輸研究所港灣技術研究中心（以下簡稱港研中心）導入人工智慧（AI）深度學習方式進行鐵路軌道構件缺失檢測，期能降低人力負擔並提升巡檢效能。透過蒐集國內外鐵路軌道構件檢測案例，比較其設備及分析方法，依據國內軌道環境及相關構件樣態，打造軌道構件影像擷取設備。透過實地檢測蒐集軌道構件影像，依俯視及側視軌道構件樣本，分為俯視10 種缺失類別、側視 4 種缺失類別與2 種正常類別。本研究採用 YOLOv4-Tiny物件偵測技術模型進行深度學習訓練，再從測試資料中驗證構件缺失檢出率（Recall rate），並搭配定位系統，標註缺失構件並記錄其位置。本研究經實地檢測共錄製超過 70 公里軌道構件影像，相較於 2020 年研究採用 YOLOv4模型，僅針對俯視軌道扣件缺失進行檢測，扣件缺失檢出率 87%，平均精確率（mAP）為 94.8%，辨識速度約 55 張/秒，本研究改採輕量級 YOLOv4-Tiny 模型，除原本俯視軌道扣件外，再新增其他俯視及側視軌道構件（扣件、道釘、鋼軌、魚尾鈑）資料集進行訓練及辨識，所得俯視缺失與側視缺失檢出率分別為 91%與 94%，平均精確率為 91.7%與 99.2%，顯示辨識效能明顯進步，速度也提升至150 張/秒。研究過程中 YOLOv4-Tiny 模型與人工徒步巡檢比較，辨識效能初始較差，發現原因為訓練集標記錯誤，或是實際檢測與訓練集之訓練樣本差異過大，經修正標記與新增缺失樣本重新訓練後，AI 辨識效能整體優於人工徒步巡檢。