Classification of Railway Fasteners by Deep Learning Methods

Abstract

In ensuring the safety of railway transport, computer vision-based methods have become important to ensure railway safety. Increased rail traffic can cause partial wear of railway components and serious accidents. Detection of defects in the railway line has become an important issue. In this study, a deep learning-based system is proposed for the classification of defects in defective fasteners. The proposed approach produces defective data using healthy rail fastener images. An image segmentation method was used to obtain a new image. Then, healthy and defective railway fastener images were classified with deep learning models. The Unet model was used for the segmentation process. CNN, VGG-16, and ResNet50 models were used to train the dataset and classify the defects of the fasteners. The proposed method was compared with other models in the literature and better results were obtained in terms of classification performance. The proposed method has achieved 100% accuracy.

Demiryolu taşımacılığının güvenliğini sağlamada, bilgisayarlı görmeye dayalı yöntemler, demiryolu güvenliğini sağlamak için önemli bir hale gelmiştir. Artan demiryolu trafiği demiryolu bileşenlerin de kısmen aşınmaya ve ciddi kazalara neden olabilmektedir. Demiryolu hattındaki kusurlarının tespit edilmesi önemli bir konu haline gelmiştir. Bu çalışmada, demiryolu bağlantı elemanlarındaki kusurların sınıflandırılması için derin öğrenme tabanlı bir sistem önerilmiştir. Önerilen yaklaşım, sağlıklı demiryolu bağlantı elemanı görüntülerini kullanarak kusurlu veriler üretmektedir. Yeni görüntü elde etmek için bir görüntü bölütleme yöntemi kullanılmıştır. Ardından derin öğrenme modelleriyle sağlıklı ve kusurlu demiryolu bağlantı elemanı görüntüleri sınıflandırılmıştır. Bölütleme işlemi için Unet modeli kullanılmıştır. Veri seti eğitimi ve bağlantı elemanlarının kusurlarını sınıflandırmak için CNN, VGG-16 ve ResNet50 modelleri kullanılmıştır. Önerilen yöntem literatürdeki diğer modellerle karşılaştırılmış ve sınıflandırma performansı açısından daha iyi sonuçlar elde edilmiştir. Önerilen yöntem %100 doğruluk oranı yakalamıştır.