Rail surface defects (RSDs) are a major problem that reduces operation safety. Unfortunately, the existing RSD detection systems have very limited accuracy. Current image processing methods are not tailored for the railway track and many fully convolutional networks (FCN)-based methods suffer from the blurry rail edges (RE). This paper proposes a new rail boundary guidance network (RBGNet) for salient RS detection. First, a novel architecture is proposed to fully utilize the complementarity between the RS and the RE to accurately identify the RS with well-defined boundaries. The newly developed RBGNet injects high-level RS object information into shallow RS edge features by a progressive fused way for obtaining fine edge features. Then, the system integrates the refined edge features with RS features at different high-level layers to predict the RS precisely. Second, an innovative hybrid loss consisting of binary cross entropy (BCE), structural similarity index measure (SSIM), and intersection-over-union (IoU) is proposed and equipped into the RBGNet to supervise the network and learn the transformation between the input and ground truth. The input and ground truth then further refine the RS location and edges. Conveniently, an image-based model for RSD detection and quantification is also developed and integrated for an automatic inspection purpose. Finally, experiments conducted on the complex unmanned aerial vehicle (UAV) rail dataset indicate the system can achieve a high detection rate with good adaptation capability in complicated environments.

中文翻译：

---

用于轨道表面分割和表面缺陷检测的混合深度学习架构

轨道表面缺陷 (RSD) 是降低运行安全性的主要问题。不幸的是，现有的 RSD 检测系统的准确度非常有限。当前的图像处理方法不是为铁路轨道量身定制的，许多基于全卷积网络 (FCN) 的方法都存在铁路边缘 (RE) 模糊的问题。本文提出了一种新的铁路边界引导网络（RBGNet）用于显着 RS 检测。首先，提出了一种新颖的架构，以充分利用 RS 和 RE 之间的互补性来准确识别具有明确边界的 RS。新开发的 RBGNet 通过渐进融合的方式将高层 RS 对象信息注入浅层 RS 边缘特征，以获得精细边缘特征。然后，该系统将细化的边缘特征与不同高层的 RS 特征相结合，以精确预测 RS。其次，提出了一种由二元交叉熵（BCE）、结构相似性指数度量（SSIM）和联合交叉（IoU）组成的创新混合损失，并将其配备到 RBGNet 中以监督网络并学习输入之间的转换和地面真相。然后输入和地面实况进一步细化 RS 位置和边缘。方便的是，还开发并集成了用于 RSD 检测和量化的基于图像的模型，用于自动检测。最后，在复杂无人机（UAV）轨道数据集上进行的实验表明，该系统可以在复杂环境中实现高检测率和良好的适应能力。提出了一种由二元交叉熵（BCE）、结构相似性指数度量（SSIM）和联合交叉（IoU）组成的创新混合损失，并将其配备到 RBGNet 中以监督网络并学习输入和地面之间的转换真相。然后输入和地面实况进一步细化 RS 位置和边缘。方便的是，还开发并集成了用于 RSD 检测和量化的基于图像的模型，用于自动检测。最后，在复杂无人机（UAV）轨道数据集上进行的实验表明，该系统可以在复杂环境中实现高检测率和良好的适应能力。提出了一种由二元交叉熵（BCE）、结构相似性指数度量（SSIM）和联合交叉（IoU）组成的创新混合损失，并将其配备到 RBGNet 中以监督网络并学习输入和地面之间的转换真相。然后输入和地面实况进一步细化 RS 位置和边缘。方便的是，还开发并集成了用于 RSD 检测和量化的基于图像的模型，用于自动检测。最后，在复杂无人机（UAV）轨道数据集上进行的实验表明，该系统可以在复杂环境中实现高检测率和良好的适应能力。并提出了并集交叉（IoU）并将其配备到 RBGNet 中以监督网络并学习输入和地面实况之间的转换。然后输入和地面实况进一步细化 RS 位置和边缘。方便的是，还开发并集成了用于 RSD 检测和量化的基于图像的模型，用于自动检测。最后，在复杂无人机（UAV）轨道数据集上进行的实验表明，该系统可以在复杂环境中实现高检测率和良好的适应能力。并提出了并集交叉（IoU）并将其配备到 RBGNet 中以监督网络并学习输入和地面实况之间的转换。然后输入和地面实况进一步细化 RS 位置和边缘。方便的是，还开发并集成了用于 RSD 检测和量化的基于图像的模型，用于自动检测。最后，在复杂无人机（UAV）轨道数据集上进行的实验表明，该系统可以在复杂环境中实现高检测率和良好的适应能力。还开发并集成了用于 RSD 检测和量化的基于图像的模型，用于自动检测。最后，在复杂无人机（UAV）轨道数据集上进行的实验表明，该系统可以在复杂环境中实现高检测率和良好的适应能力。还开发并集成了用于 RSD 检测和量化的基于图像的模型，用于自动检测。最后，在复杂无人机（UAV）轨道数据集上进行的实验表明，该系统可以在复杂环境中实现高检测率和良好的适应能力。