YENİLİKÇİ DERİN ÖĞRENME YÖNTEMLERİ İLE RAY VE ÇEVRESİNİN ANLAMLANDIRILARAK KUSUR TESPİT ALGORİTMALARININ GELİŞTİRİLMESİ

Abstract

Demiryollarında kazalar yaşanabilmektedir. Kazaları önlemek için rayların denetlenmesi gerekir. Bu çalışma "Derin öğrenme yöntemleri ile demiryolu görüntüleri anlamlandırılabilir, ray kusurları otonom olarak tespit edilebilir." hipotezlerini araştırmaktadır. İHA ile toplanarak hazırlanan ray görüntülerinden oluşan veri setinde çeşitli görüntü işleme teknikleri uygulanmıştır. GoogleNet %96, SqueezeNet %91,75 doğruluk oranına ulaşmıştır. İnternette halka açık olarak paylaşılan ray yüzey görüntülerinden oluşan Rail Surface Discrate Defect Tip-1 veri setindeki görüntüler dilimlenerek çoğaltılmış ve yeniden ölçeklendirilmiştir. UNet3+ piksel düzeyinde %81, kusur düzeyinde %88 doğruluk oranına ulaşmıştır. Lokomotifin altına yerleştirilmiş kameralar yardımı ile toplanan veri seti ile UNet, UNet3+ ve kodlayıcı kısmında MobileNetV2 bulunan hibrit ağ ile çöküntü kusurları tahmin edilmiştir. UNet ile UNet3+ %88, hibrit model %87 başarı sağlamıştır. Başka bir çalışmada sınıflandırıcı katmanları özelleştirilmiş Vgg16 ve MobileNetV3-Small ağları eğitilmiştir. Denetimsiz öğrenme yaklaşımının uygulandığı çalışmada ağlar sırasıyla %98 ve %96 doğruluk oranlarına ulaşmışlardır. İnternette halka açık olarak paylaşılan, demiryolu görüntülerini içeren Railsem19 veri setinin özelleştirilmesiyle oluşturulmuş veri seti ile UNet, ICNet, BiSeNetV2 ağları eğitilmiştir. Her üç ağ %98 doğruluk oranına ulaşmıştır. İlk üç veri seti ile ray kusurları tespit edilmiş, son veri seti ile demiryolu görüntüleri anlamlandırılmıştır. Bu sonuçlara göre yüksek doğrulukta demiryolu görüntüleri anlamlandırılabilir, ray yüzeyi kusurları otonom olarak tespit edilebilir. Çalışma, demiryolu işletmelerinin ray denetimlerine katkı sağlayabilir.

Accidents can happen on railways. Tracks need to be inspected to prevent accidents. In this study, "With deep learning methods, railway images can be interpreted and rail defects can be detected autonomously." explores hypotheses. Various image processing techniques were applied to the data set consisting of ray images collected by UAV. GoogleNet reached 96% accuracy and SqueezeNet 91.75% accuracy. Images in the Rail Surface Discrate Defect Type-1 dataset, which consists of publicly shared rail surface images, were sliced amplified and rescaled. UNet3+ achieved 81% accuracy at pixel level and 88% accuracy at defect level. With the help of the cameras placed under the locomotive, the collapse defects were estimated with the UNet, UNet3+ and hybrid MNV2UNet network with the data set. UNet and UNet3+ achieved 88% success, and the hybrid model 87%. In another study, Vgg16 and MobileNetV3-Small networks with customized classifier layers were trained. In the study in which the unsupervised learning approach was applied, the networks reached 98% and 96% accuracy rates, respectively. UNet, ICNet, BiSeNetV2 networks were trained with the dataset created by customizing the Railsem19 dataset, which is publicly shared, containing railway images. All three networks achieved an accuracy rate of 98%. Rail defects were detected with the first three data sets, and the railway images were interpreted with the last data set. According to these results, high-fidelity railway images can be interpreted and rail surface defects can be detected autonomously. The study can contribute to the rail inspections of railway enterprises.