OTONOM IHA TABANLI DEMİRYOLU BAKIM SİSTEMİ İÇİN YENİLİKÇİ DERİN ÖĞRENME YÖNTEMLERİNİN GELİŞTİRİLMESİ

Abstract

Bu tez çalışmasının ana amacı, demiryolu hatlarının ve bileşenlerinin otomatik olarak izlenmesi ve kusurların yüksek doğrulukla tespit edilmesidir. Tezde, geleneksel yöntemlerin yerini alan otonom sistemler ile iş gücü ve zaman kaybını en aza indirerek verimliliği artırmak hedeflenmektedir. Çalışmanın temel motivasyonlarından biri, ray hatlarında ve bileşenlerinde bulunan yabancı nesnelerin tespit edilmesidir. Bu tür nesneler, ray hattı güvenliğini olumsuz etkileyebileceğinden, demiryolu ulaşımının güvenliği açısından önemli bir risk oluşturmaktadır. Simülasyon ortamında geliştirilen yöntem, gerçek dünya şartlarına uyarlanarak daha etkili ve güvenilir demiryolu bakım sistemleri geliştirilmesine olanak tanımaktadır. Proje kapsamında, Gazebo simülasyon ortamında Parrot Anafi4K İHA kullanılarak demiryolu hattı boyunca uçuş simülasyonları gerçekleştirilmiştir. Gerçek dünya ortamında yapılacak olan çalışmalarda, İHA ile toplanan görüntüler hibrit derin öğrenme tabanlı modellerle işlenerek, demiryolu bileşenlerindeki kusurların tespiti sağlanacaktır. Çalışmada YOLO, Unet, BiSeNetV2 gibi derin öğrenme algoritmaları ve hibrit yöntemler kullanılarak, demiryolu bileşenlerinde oluşan çatlaklar, deforme bağlantı elemanları gibi kusurların yüksek doğrulukla tespiti amaçlanmaktadır. Bu sayede, demiryolu bakım işlemleri daha hızlı ve maliyetsiz bir şekilde gerçekleştirilebilecektir. Ayrıca, geleneksel Unet modelinden daha iyi performans gösteren, Unet tabanlı geliştirilmiş bir DNet bölütleme modeli de geliştirmiştir. Geliştirilen yöntemlerin bulguları, literatürdeki çalışmalarla karşılaştırılarak detaylı bir şekilde sunulmuş ve başarılı ve etkili sonuçlar elde edilmiştir.

The main purpose of this thesis is to automatically monitor railway lines and components and detect defects with high accuracy. The thesis aims to increase efficiency by minimizing labor and time loss with autonomous systems that replace traditional methods. One of the main motivations of the study is to detect foreign objects on rail lines and components. Such objects pose a significant risk to railway transportation safety, as they can negatively affect rail line safety. The method developed in the simulation environment enables the developing of more effective and reliable railway maintenance systems by adapting it to real-world conditions. Within the project's scope, flight simulations were carried out along the railway line using the Parrot Anafi4K UAV in the Gazebo simulation environment. In the studies to be carried out in the real-world environment, the images collected by the UAV will be processed with hybrid deep learning-based models to detect defects in railway components. The study aims to detect defects such as cracks and deformed fasteners in railway components with high accuracy by using deep learning algorithms such as YOLO, Unet, BiSeNetV2, and hybrid methods. In this way, railway maintenance operations can be carried out faster and less costly. In addition, an improved DNet segmentation model based on Unet has been developed, which outperforms the traditional Unet model. The findings of the developed methods were presented in detail by comparing them with the studies in the literature and successful and effective results were obtained.