数据受限条件下面向部署的铁路表面缺陷分类中CNN配置、类别平衡与数据增强的评估

《Intelligent Transportation Infrastructure》：Deployment-Oriented Evaluation of CNN Configurations, Class Balancing, and Data Augmentation for Railway Surface Defect Classification under Data Constraints

　　

摘要

铁路表面缺陷检测越来越依赖于自动化视觉检查；然而，由于标注数据有限、类别不平衡以及对计算高效模型的需求，在实际运行条件下部署仍然具有挑战性。本研究探讨了在受限数据条件下，原始卷积神经网络（CNN）设计、类别平衡策略和数据增强如何影响铁路表面缺陷分类。主要实验分析评估了浅层和更深层的原始CNN配置（CNN-2、CNN-4和CNN-5），在统一的五折分层交叉验证协议下，对556张标注的铁路表面图像进行二分类、四分类和五分类任务。类别不平衡问题通过使用加权损失函数和SMOTE来解决，同时单独和联合评估了七种数据增强策略。结果显示，CNN-2提供了最可靠的总体性能，在五分类任务中达到了94.88%的准确率和86.53%的F1分数，同时在所评估的配置中保持最低的计算复杂度。为进一步探究架构深度的影响，在五分类加权损失设置下进行了额外的CNN-3中间深度消融实验，达到了80.94%的准确率和80.39%的加权F1分数。CNN-3的结果表明，在有限的铁路数据条件下，增加深度并不一定会提高泛化能力。总体而言，研究结果表明，精心选择的轻量级CNN配置可以在分类可靠性、计算效率和面向部署的透明度之间提供有利的平衡，适用于铁路表面检测。