在鐵路養護領域，人工智慧和深度學習技術的整合標誌著傳統檢測方式的轉變。一項新研究發表在高鐵推出高效能軌道檢測系統，利用人工智慧的最新進展，特別採用 YOLOv8 進行快速、準確的缺陷檢測。

「我們開發了一個基於生產者-消費者模型的模型推理管道，利用平行處理南卡羅來納大學土木與環境工程系副教授、合著者於謙說：

“我們的系統使用 C++、TensorRT、float16 量化和 oneTBB 等工具進行部署，提高了處理速度，在桌面系統上實現高達 281.06 FPS，在邊緣計算平台上實現高達 200.26 FPS。”

這項研究滿足了及時有效的鐵路檢查的迫切需求，特別是在高速網路中維護窗戶有限。透過整合人工智慧並優化整個推理流程，研究人員不僅提高了檢查速度，還保持了高精度水準。

YOLOv8 和複雜的模型推理管道的使用意味著脫離順序處理，解決了資料預處理和後處理階段常見的瓶頸問題。

「這種方法不僅簡化了檢驗流程也為即時檢測能力設立了新標準鐵路業錢補充道。「我們的研究結果為人工智慧如何改變鐵路維護提供了新的視角，從而有可能降低事故風險並提高鐵路網絡的安全性和可靠性。在不影響準確性的情況下顯著提高處理速度，為軌道維護中的即時決策開闢了新的可能性。

新方法的成功為基礎設施維護其他領域的未來研究和應用提供了一個有前途的方向，強調了人工智慧在改善公共安全和資產管理方面的作用。

更多資訊：唐友誌等人，基於YOLOv8的高性能模型部署的高速鐵路軌道部件檢測框架，高鐵（2024）。DOI：10.1016/j.hspr.2024.02.001

提供者：科愛通訊公司