我院2018级通信工程专业本科生徐杨罡在机械与电气工程学院刘志亮副教授指导下，基于本科毕业设计成果撰写的学术长文“Self-Supervised Defect Representation Learning for Label-Limited Rail Surface Defect Detection”近日被《IEEE Sensors Journal》接收并已在线发表，徐杨罡为第一作者，刘志亮副教授为通讯作者。该刊是美国电气与电子工程师协会旗下的综合性期刊，影响引子4.3，属于中科院SCI期刊分区大类分区二区TOP期刊。
随着全球高速铁路网规模的迅速增加，保障铁路交通运输的安全至关重要。常规铁路巡检的工作环境异常艰苦，且常常需要在一天内进行多次反复巡检。因此，设计针对铁轨表面缺陷的自动检测方法具有重要的工程意义。然而，铁轨表面缺陷具有数量少、尺寸小、形状变化大等特点，并且为铁轨样本提供像素级标签的过程也十分繁琐和昂贵。因此，在有标签数据数量稀少的情况下，难以使用数据驱动的深度学习技术来达到较好的缺陷检测结果。为了解决这一挑战，本文提出了一个基于自监督表示学习的铁轨表面缺陷检测（Self-Supervised Representation Learning For Rail Surface Defect Detection，R-SSRL）框架。
图1.世界铁路网的分布
在采集铁轨图像样本的过程中，可以发现大多数样本是无缺陷的。这些无缺陷的样本既容易获得，也不需要像素级的标签来标记缺陷。因此，利用这些样本，本文设计了一种新的自监督学习方法来获取缺陷的信息和特征。通过分析实际的铁轨缺陷特点，本文提出了一种缺陷仿真方法，旨在为缺陷检测框架提供有价值的缺陷信息。该方法采用了随机化的策略来模拟不同类型的缺陷，旨在提高模型在真实检测场景中的泛化能力，并解决缺陷检测中的类不平衡问题。另外，受深度神经网络的启发，R-SSRL框架利用了一个编码器-解码器结构的卷积神经网络来分割铁轨缺陷，结合此神经网络和所提出的自监督学习方法，该框架可以有效地学习铁轨图像的全局信息和缺陷的局部细节，这使得框架能够准确地识别和分割缺陷区域。
图2.结合预训练过程和微调过程设计的R-SSRL框架
图3.用于预训练过程的缺陷模拟算法，它利用大量无缺陷样本为自监督表示学习提供数据
本文在真实铁轨表面缺陷检测数据集上进行了实验以验证R-SSRL框架的性能。实验中采用了多种流行的语义分割神经网络和自监督学习方法来进行对比实验。实验结果表明，本文框架具有优秀的铁轨缺陷检测性能。尤其在有标签数据数量稀少的情况下，本文框架的性能大幅优于其他对比模型。
图4.文中部分实验结果
格院一直以来高度重视本科创新人才培养和科研素养培育。通过搭建师生团队、创新课程学习、探索项目培育等多种形式，激励本科生加入各科研团队开展研究工作，培养学生的科研创新能力，树立严谨求实的科研态度，增强学生对专业知识的掌握，提升毕业论文质量。徐杨罡自大二开始进入刘志亮副教授课题组进行科研训练与毕业设计，并参与了国家自然科学基金重点项目“高速列车运行风险评估及调控基础理论与方法”的部分工作，本文便是其研究成果之一。此外，在本科学习期间，徐杨罡共发表学术论文2篇，曾获校优秀学生一等奖学金等多项荣誉。目前，该生在清华大学攻读硕士学位，研究方向为强化学习。
原文链接：https://ieeexplore.ieee.org/document/10288462
