CC BY
8УДК 681.518.5
И. Г. Румановский, Н. А. Калинников, Н. А. Никитин
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ ДЕФЕКТОСКОПИИ ЖЕЛЕЗНОДОРОЖНЫХ ПУТЕЙ
Румановский И. Г. - канд. техн. наук, доцент кафедры «Инженерные системы техносферной безопасности», ТОГУ, [email protected]; Калинников Н. А. -магистрант, ТОГУ, [email protected]; Никитин Н. А. - магистрант, ТОГУ, [email protected]
Обнаружение дефектов или трещин в рельсовом пути играет важную роль в управлении железнодорожной инфраструктурой, это позволяет предотвратить аварии поездов как в летнее, так и в дождливое время года. В летний период на рельсах образуются трещины, по которым скользит колесо поезда. В дождливую погоду рельсы подвергаются коррозии, которая также приводит к образованию трещин. В настоящее время трещины или дефекты рельсов обнаруживаются, как правило, с помощью ультразвукового и магнитного методов неразрушающего контроля, однако данные методы диагностики требуют значительных затрат времени и имеют высокую стоимость. В последние годы вырос интерес к применению БПЛА для выполнения диагностики технического состояния железнодорожных путей. Как правило в комплект штатного оборудования БПЛА входит фото видеокамера высокого разрешения. Есть проекты БПЛА, сочетающие в себе возможность проведения контактной и бесконтактной диагностики технического состояния рельсов. В связи с этим возникает насущная потребность в адаптации методов визуального контроля к проблеме диагностики дефектов железнодорожного пути. Предлагаемый в данной работе метод позволяет улучшить оптические изображения рельсового пути с помощью метода адаптивного выравнивания гистограммы, после чего из улучшенной фотографии рельсового пути извлекаются такие характерные признаки, как матрица совпадений уровней серого и локальный двоичный шаблон. Эти характеристики в процессе обучения нейронной сети классифицируются с помощью нейросетевого классификатора, который классифицирует изображение рельсового пути на изображения с трещинами и без трещин. Новизна данной работы заключается в использовании метода мягких вычислений для обнаружения трещин в рельсовых путях. Данная методика обучается на выборке изображений трещин, полученных в различных условиях. Метод автоматически классифицирует текущее изображение на основе обученных шаблонов, что повышает точность
© Румановский И. Г., Калинников Н. А., Никитин Н. А., 2023
ВЕСТНИК ТОГУ. 2023. .№ 4 (71)
ВЕСТНИК ТОГУ. 2023. № 4 (71)
классификации. Результаты: Точность предложенной системы достигает 94,9% по сравнению с изображениями, обнаруженными и классифицированными вручную.
Ключевые слова: трещины, сегментация, классификатор, рельсовые пути, аварии поездов, нейронные сети, преобразование Габора, точность, специфичность, чувствительность.
Введение
В современном мире железнодорожная сеть играет важную роль для людей во всем мире. Железнодорожная система состоит из инфраструктуры, развития и обслуживания. Инфраструктура железнодорожной сети - это планирование и строительство железнодорожных путей и соединение их в железнодорожный узел. Развитие железнодорожной сети используется для протягивания путей в сельские и внутренние районы населенного пункта. Рельсовые пути обслуживаются эксплуатационной службой железнодорожной сети. Рельсовые пути сильно страдают от коррозии под воздействием факторов окружающей среды. В результате на рельсах образуются трещины, что приводит к авариям поездов. Для предотвращения подобных дефектов рельсового пути необходимо следить за качеством рельсового полотна и регулярно проводить инспекционные проверки с целью своевременного обнаружения трещин на железнодорожном пути.
В данной работе трещины в железнодорожных путях обнаруживаются с помощью программного сервиса на базе нейросетевой классификации. Предлагаемый метод включает в себя следующие этапы: предварительная обработка, преобразование Габора, извлечение характерных признаков, классификация и сегментация. На этапе предварительной обработки изображение рельсового пути улучшается с помощью метода адаптивного выравнивания гистограммы. Эта технология позволяет улучшить изображение рельсовой колеи для более эффективного обнаружения трещин при любых условиях окружающей среды. Затем выборка предварительно обработанных изображений с помощью преобразования Габора преобразуется в выборку изображений с различными характеристиками разрешения. Эти изображения отображают частоту, время и ориентацию.
Далее из преобразованного по Габору изображения с различными характеристиками разрешения извлекаются текстурные признаки GLCM и LBP, которые помогают отличить изображение с трещиной от изображения без трещины. На основе полученного набора признаков производится обучение
нейросетевого классификатора. Этот классификатор на основе набора признаков классифицирует изображение рельсового пути на изображение с трещиной или без трещины. Наконец, для обнаружения и сегментации трещин на изображении применяются морфологические операции.
Рис. 1. Съемка рельсовых путей
Рис. 2. Изображения рельсовых путей в нормальном состоянии
Таблица 1
Линейная камера_
Спецификации Значения параметров
Сенсор в камере Прибор с зарядовой связью (ПЗС) ли-
нейного типа
Размер пикселя 10*10 мкм
Расстояние между пикселями 10 мкм
Частота камеры 50 МГц
Записывающее или фиксирующее оборудование для рельсовых путей состоит из источника света и линейной камеры. Это регистрирующее оборудование медленно перемещается по рельсовому пути. В это время источник света генерирует свет, который проходит над рельсовым путем. Этот свет проходит над обоими рельсами. Линейная камера, расположенная в задней части фотографической системы, фиксирует изображения рельсовых путей. Технические характеристики линейной камеры приведены в табл. 1.
Трещины в рельсах образуются в результате перегрузки, разрушения под
ВЕСТНИК ТОГУ. 2023. № 4 (71)
воздействием внешних факторов, таких как ветер, паводок, вибрация, коррозия. Эти трещины приводят к авариям, когда поезд проходит по рельсовому пути с трещинами.
Обнаружение трещин в рельсах - задача операторов железных дорог. Для обнаружения трещин в рельсах используется множество традиционных методов. В концентрированных методах для обнаружения этих дефектов используются устройства на основе акустической эмиссии или полупроводниковые магнитные датчики.
Данные методы имеют ряд недостатков, таких как медленная обработка и непригодность для получения изображений рельсовых путей с низким разрешением. Для устранения этих недостатков в данной работе предложена автоматизированная система обнаружения дефектов с использованием классификационного подхода. Предложенная в работе методика использует нейросетевой классификатор, который обнаруживает трещины на изображениях рельсовых путей, используя особенности образцов с трещинами и без трещин на изображениях рельсовых путей.
Анализ нейросетевых технологий распознавания образов
В работе [1] использована гексагональную технику и два многослойных перцептронных нейронных классификатора для контроля болтовой системы на изображении рельсового пути в реальном времени. Авторы достигли 95% точности обнаружения и классификации болтов, соединяющих рельсы в непрерывном рельсовом пути. В исследовании [2] обнаружены трещины и дефекты, вызванные контактной усталостью металла рельсов. Авторы построили методику неразрушающего контроля рельсов для обнаружения трещин и дефектов по полученному изображению из видеопоследовательностей. В работе [3] предложена методику обнаружения поверхностных дефектов рельсового пути с помощью системы визуального контроля. Авторы разработали модель для обнаружения дефектов на основе метода поперечного проекционного профиля. Применялись различные подходы к повышению контрастности изображений рельсовых путей. С помощью предложенной модели авторы добились 80,41% показателя достоверности для анализа дефектов на изображениях рельсовых путей в реальном времени.
В работе [4] предложен полностью автоматизированный метод обнаружения и сегментации проседания путей в железнодорожной системе. Авторы разработали эффективный метод для железнодорожной системы, внедрив в него технику автоматизации. В работе [5] применены основные принципы электромагнитной томографии для получения изображений рельсовых путей для обнаружения трещин на них. Был построен алгоритм линейного обратного проецирования для классификации заданного изображения рельсового пути
на нормальное или с трещинами. На основе этой классификации рельсовых путей был применен алгоритм регуляризации Тихонова для проверки экспериментальных результатов. В исследовании [6] разработана эффективная система обнаружения трещин на рельсах с использованием метода классификации лесного массива.
Авторы извлекли интегральные канальные признаки из изображения рельсового пути в режиме реального времени и использовали эти признаки для обнаружения трещин или дефектов на изображениях рельсового пути. Был проведен анализ топологической погрешности предложенного метода обнаружения трещин. В работе [7] использован алгоритм обнаружения трещин на дорожном покрытии для обнаружения и сегментации трещин на железнодорожных путях с помощью методов обработки изображений. Шумы и другие помехи были обнаружены и удалены перед сегментацией трещин на железнодорожных путях для повышения эффективности системы обнаружения трещин.
В исследовании [8] предложен метод классификации на основе машины опорных векторов ^УМ) Харриса - Стефана для обнаружения отсутствующих крепежных элементов на изображениях рельсовых путей. Авторы достигли 81,25% точности классификации для предложенного ими алгоритма обнаружения отсутствующих крепежных элементов. В работе [9] использован метод 8УМ-классификации для классификации тестового изображения рельсового пути либо на прихватку с крепежом, либо на рельс без крепежа. Для обнаружения отсутствующих крепежных элементов на изображениях рельсовых путей авторы добились показателя достоверности 87,3%.
Рис. 3. Предлагаемые системы обнаружения трещин
ВЕСТНИК ТОГУ. 2023. № 4 (71)
Рис. 4. Исходное изображение пути и (Ь) предварительно обработанное изображение пути
При использовании традиционных методов наблюдаются следующие особенности:
- точность сегментации системы обнаружения трещин в рельсовом пути невысока;
- традиционные методы выявляют трещины только на изображениях рельсовых путей с высоким разрешением.
В данной работе предлагается метод обнаружения рельсовых путей на основе классификатора, позволяющий преодолеть недостатки традиционных методов.
Предложенная в данной работе методика позволяет обнаруживать трещины на изображениях рельсовых путей как низкого, так и высокого разрешения.
Предлагаемая методология
Методика обнаружения и сегментации трещин представлена на рис. 3. Предварительная обработка (рис. 4(Ь)) используется для улучшения изображения рельса с целью обнаружения трещин в нем.
Полученное изображение трека преобразуется в черно белое. Для выделения областей трещин на изображении трека применяется метод адаптивной гистограммной эквализации [5, 7]. Она повышает контрастность изображения трека, преобразуя значение изображения в его интенсивность.
Преобразование мульти разрешения используется для преобразования пространственного изображения в изображение с мульти разрешением, которое имеет форму амплитуды, частоты и фазы. Традиционные мульти разрешающие преобразования, такие как дискретное вейвлет-преобразование (DWT), контурное преобразование и криволинейное преобразование изображения в пространственной области в изображение с различным разрешением с низкой точностью. Для того чтобы преодолеть эти ограничения традиционных классификаторов, в данной работе для получения изображения с многократным разрешением используется преобразование Габора Преобразование Габора
используется в данной работе для получения изображения рельсового пути мульти разрешения из пространственной области разрешения.
В данной работе используются ядра Габора с пятью масштабами у = {1, 2, 3, 4, 5} и четырьмя ориентациями в = {45°, 90°, 135°, 180°}. Ядро Габора g(x, у) определяется как [10]:
g(x, у) =ехр
0,5
X2 + уу'2
ехр
2а2
X = xcos в + ysin в,
у = -xsin в + ycos в.
i ( 2ж— + Ф
(1)
(2) (3)
вЬСМ-функции для тестовых образцов изображений нормального и растрескавшегося рельсового пути
Таблица 2
ОЬСМ особенности Трещины Без трещины
Контраст 8,17*103 2,19*104
Корреляция -0,0072 0,02
Энергия 3,21*10-5 2,38*10-5
Однородность 0,092 0,012
В табл. 2 приведены извлеченные GLCM - функции из изображения рельсового пути с Габоровской размерностью для образцов изображений нормального и треснувшего рельсового пути.
Где у - коэффициент масштабирования, который находится в диапазоне от 1 до 4, ^ - ориентация пикселя, а А - регулируемый параметр, изменяющийся в диапазоне от 0 до 1. Координаты каждого пикселя представлены х и у, а - стандартное отклонение.
Изображение в размерности Габора и его фазовое или ориентационное изображение показаны на рис. 5(а) и 5(Ь) соответственно.
а) Ь)
Рис. 5. (а) Изображение в размерности Габора и (Ь) ориентационное изображение Га-
бора
X
ВЕСТНИК ТОГУ. 2023. № 4 (71)
Из изображения Габора извлекаются характеристики, которые используются для отличия изображения с трещинами от изображения без трещин по энергетическим параметрам. В данной работе используется матрица Ко-окур-рентности серого уровня (GLCM) признаки извлекаются из изображения га-боровской размерности для классификации изображений трещин.
ОЬСМ-функции извлекаются из GLCM- матрицы, которая может быть построена непосредственно из изображения размерности Габора при различных направлениях пикселей, таких как 0°, 45°, 90° и 135° на изображении. В данной работе матрица GLCM сконструирована на пикселях с ориентацией 45°. Максимальное значение пикселя в изображении в размерности Габора выбирается по номеру строки и столбца в матрице GLCM. Затем значения в таблице GLCM получаются путем выполнения 450 ориентаций на каждое значение пикселя в изображении ориентации Габора.
Из матрицы GLCM получаются следующие признаки GLCM [10]:
Здесь 7 и j обозначают строку и столбец матрицы ОЬСМ, а р(7, ]) - соответствующие значения в матрице ОЬСМ, а- описывает дисперсию матрицы ОЬСМ, о~1 - дисперсию матрицы ОЬСМ относительно индекса 7, а ^ дисперсия матрицы ОЬСМ относительно индекса у, ^ и щ - средние значения матрицы ОЬСМ относительно индекса строки 7 и индекса столбца j.
Характеристики локальных бинарных шаблонов (ЬБР)
Этот признак позволяет коррелировать центральный пиксель с окружающими его пикселями. Каждый окружающий пиксель сравнивается с центральным пикселем для получения двоичного шаблона. Если окружающий пиксель больше центрального, то он выдает двоичную 1, а если окружающий пиксель меньше центрального, то он выдает двоичный 0. Эти восемь двоичных битов формируют одно десятичное значение в виде двоичного шаблона. Процедура извлечения LBP-функции для центрального пикселя в окнах 3х3 выглядит следующим образом:
(7)
(4)
(5)
(6)
р - 1
р = 0
здесь gp - окружающие пиксели в окне 3x3, gc - центральный пиксель в окне 3х3, Р - количество окружающих пикселей для центрального пикселя в окне 3х3.
Функция 5 задается в виде:
•^р - gc) = 0 если gp > gc,
) \ (9)
'^Р - gc) = 1 если gp - gc.
Извлеченный ЬБР-функционал из преобразованного по Габору изображения железнодорожного пути подается в качестве входного шаблона для нейросетевого классификатора.
Таблица 3
Анализ производительности
Параметры Результаты эксперимента, %
Чувствительность 89,99
Специфичность 98,96
Точность 94,9
Классификатор используется для детектирования изображения рельсового пути на изображение без трещин или с трещинами. Обычные классификаторы, такие как SVM, Principal Component Analysis (PCA), классифицируют изображение рельсового пути для обнаружения дефектов с низкой точностью классификации. В данной работе для классификации изображений рельсовых путей на изображения с трещинами и без трещин используется нейросетевой классификатор (NN). Нейросетевой классификатор имеет два типа: радиальные нейронные сети и нейронные сети с прямым обратным распространением (FFBP).
В данной работе для обнаружения изображений треков используются нейронные сети (FFBP), которые могут работать в режимах обучения и тестирования. В режиме обучения классификатор, извлекает характерные признаки из изображений рельсов с трещинами и без трещин, обучается, в результате чего получается обученный шаблон.
В режиме тестирования данный классификатор работает в следующем режиме: извлеченные из изображения действующего рельсового пути признаки классифицируются относительно обученного шаблона и выдают либо низкое, либо высокое значение. Низкое значение этого классификатора указывает на отсутствие трещин на тестовом изображении, а высокое значение - на наличие трещин. Далее трещины на классифицированном изображении выявляются с
ВЕСТНИК ТОГУ. 2023. № 4 (71)
помощью морфологических операций.
Классификатор формирует изображения расширения и эрозии, для обнаружения трещины из изображения расширения (рис. 6(Ь)) вычитается изображение эрозии (рис. 6(а)), таким образом формируются области с трещинами на классифицированном изображении (рис. 6(с)).
А—^
Рис. 6. (а) Морфологически обработанное расширенное изображение, (Ь) эродированное изображение и (с) сегментированное изображение с трещинами
а) Ь) с)
Рис. 7. (а) Изначальное изображение, (Ь) обработанное изображение и (с) обнаруженные трещины на изображении предложенным методом
Таблица 4
Сравнение эффективности предлагаемого метода с традиционными методами по _чувствительности, специфичности и точности_
Параметры Чувствительность, % Специфичность, % Точность, %
Предлагаемый 89,99 98,96 94,9
метод
Q. Zhu et al. [7] 81,27 91,28 87,75
L. Ze et al. [5] 78,93 94,96 87,98
L. Qingyong et al. [3] 82,18 95,37 89,71
Таблица 5
Сравнение эффективности предлагаемого метода с традиционными методами по _признакам_
Методология Характери- Чувстви- Специфич- Точность, %
стики тельность, % ность, %
Предлагае- GLCM + LBP 89,99 98,96 94,9
мый метод
Arivazhagan et al. (2015) Особенности фрактальной текстуры 81,27 91,28 87,75
Liu et al. Haar- 78,93 94,96 87,98
(2015) подобные функции
В табл. 5 приведено сравнение эффективности предложенного метода с традиционными методами по совокупности признаков. В данной работе для классификации изображений рельсовых путей используется GLCM, интегрированный с LBP-функциями. Предложенный метод показал 89,99% чувствительность, 98,16% специфичность и 94,9% точность.
Программная реализация
Предлагаемая система обнаружения трещин на рельсах с использованием нейросетевого классификатора написана на языке программирования в Python. В программе используются функции обработки изображения с использованием сегментирования. Следующий блок кода производит обнаружение трещин на рельсах с точностью метода до ± 0,1 %. Достижением такого процента точности может достигаться за счет длительного обучения нейронной сети:
def predict_image_util(final_pred_inv):
img_test = (final_pred_inv[0].reshape((1, 227, 227, 1)))
raw_predicted_label = model.predict(img_test, batch_size=None, verbose=0, steps=None)[0] [0] predicted_label=1; if(raw_predicted_label<0.8): predicted_label=0
ВЕСТНИК ТОГУ. 2023. № 4 (71)
predicted_label_str='Crack' if(predicted_label==0):
predicted_label_str='No Crack' print('Raw Predicted Label(Numeric): '+str(raw_predicted_label)) print('\nPredicted Label : '+predicted_label_str) from_data_dir = 'data/test/' #Directory def predict_image2(type_, num):
pred_data_colr_, pred_data_inv_ = create_data(from_data_dir, type_, num, num+1, 'Predictable')
plt.imshow(pred_data_colr_[0]) pred_data_colr =[] pred_data_inv = []
pred_data_inv.append(pred_data_inv_[0]) pred_data_colr.append(pred_data_colr_[0])
final_pred_colr = np.array(pred_data_colr).reshape(((len(pred_data_colr), 227, 227, 1)))
final_pred_inv = np.array(pred_data_inv).reshape(((len(pred_data_inv), 227, 227, 1)))
predict_image_util(final_pred_inv)
Обучение нейронной сети производилось на базе 6000 изображений. 50% изображений произведены с видимой трещиной на рельсах, остальные 50% -с цельным рельсом.
Результаты проделанной работы
Эффективность предложенной системы обнаружения трещин анализируется с точки зрения чувствительности, специфичности и точности по отношению к изображениям, полученным в результате анализа. Параметры оценки эффективности представлены в виде:
TP
Чувствительность (Se) = (Ю)
TN
Специфичность (Sp) = m+Fp, С11)
TP + TN
Точность (Acc) = —-—-—-—. (12)
v ^ TP + FN + TN + FP У '
Здесь TP - True Positive, то есть количество правильно сегментированных пикселей с трещинами, TN - True Negative, то есть количество правильно сегментированных пикселей без трещин, FP - False Positive которое представляет собой количество ошибочно сегментированных пикселей трещин, а FN - False Negative, которое представляет собой количество ошибочно сегментированных пикселей без трещин в рельсовом пути. В табл. 3 приведен анализ эффек-
тивности предложенной системы обнаружения трещин на рельсах. Предложенная в данной работе система достигает 89,99% чувствительность, 98,96% специфичность и 94,9% точность. Предложенный метод был протестирован на 400 изображениях рельсовых путей, в результате правильно классифицировано 380 изображений. Точность классификации предложенной системы составляет 95%.
На рис. 8 представлены результаты работы нейронного классификатора, где он определяет наличие или отсутствие трещин на поверхности рельсов.
Marking On Predictable Data : negative
Images Processed from 01961 to 01962
Rjw Predicted label(Numeric): 0^8189
Predicted Label : No Crack
Working On Predictable Data : positive Images Processed from »1961 to 8196?
How Predicted Label(Numeric): 8.9999/06
Predicted label : Crack
Рис. 8. Результат работы нейронной сети (слева) изображения без трещины и (справа) изображения с трещиной
В табл. 4 приведено сравнение эффективности предложенной системы обнаружения трещин в рельсах с традиционными методами, предложенными в работах [3, 5, 7]. При использовании традиционных методов в работе [7] достигли 81,27% чувствительность, 91,28% специфичность и 87,75% точность; в работе [5] - 78,93% чувствительность, 94,96% специфичность и 87,98% точность. В работе [3] достигнута 82,18% чувствительность, 95,37% специфичность и 89,71% точность. Причиной низкой точности, полученной традиционными методами, является их низкая четкость.
Другим основным критерием является то, что существующие традиционные методы обнаруживают и сегментируют трещины в рельсах только на изображениях высокого разрешения. Предлагаемый метод обнаружения трещин в рельсах работает как на изображениях низкого, так и высокого разрешения. В работе [7] для обнаружения трещин на рельсовых путях использовался алгоритм Pavement Crack Detection Algorithm (PCDA). Этот метод обна-
ВЕСТНИК ТОГУ. 2023. № 4 (71)
руживает только внешние края трещин на рельсах, что снижает эффективность предложенного метода. Таким образом, точность данного метода оказалась низкой по сравнению с методикой, предлагаемой в данной работе. Предложенная в данной работе методика обнаруживает внутренние и внешние края трещин на рельсовых путях, что повышает ее точность. В работах [5] и [3] обнаружение трещин в рельсах производится в автоматическом режиме. Тем не менее, эти методы пригодны для обнаружения трещин только на изображениях высокого разрешения. На изображениях низкого разрешения эти методы дают неудовлетворительные результаты. Эти ограничения преодолеваются предлагаемой в данной работе методикой, которая подходит как для изображений рельсов низкого, так и высокого разрешения.
Заключение
В данной статье предлагается метод обнаружения трещин в рельсах на основе нейросетевого классификатора с прямой передачей данных для обнаружения и сегментации трещин или дефектов на изображениях рельсов. Предложенный метод улучшает изображение рельса с помощью адаптивной технологии выравнивания гистограмм и далее извлекает дополнительные признаки из улучшенного изображения рельса.
Полученные признаки обучаются и классифицируются с помощью нейросетевого классификатора, который классифицирует изображения рельсового пути на изображения с трещинами и без трещин. Предложенная в данной работе система достигает 89,99% чувствительность, 98,96% специфичность и 94,9% точность. В перспективе данная работа может быть применена для обнаружения трещин на видеоизображениях. Методика, представленная в данной работе, может быть также расширена для обнаружения отсутствующего крепления в рельсовых путях. Так же представляет интерес применение данного метода для анализа акустических и магнитных графических сигнатур, характеризующих внутренние дефекты рельсов.
Библиографический список
1. A real-time visual inspection system for railway maintenance: automatic hexagonal-headed bolts detection / F. Marino, A. Distante, P. Mazzeo, E. Stella // IEEE Trans. Syst., Man, Cybern. C, Appl. Rev. 2007. Vol. 37, № 3. P. 418-28.
2. Thomas H., Heckel T., Hanspac G. Advantage of a combined ultrasonic and eddy current examination for railway inspection trains // Insight-Non-Destructive Testing and Condition Monitoring. 2007. Vol. 49, № 6, P. 341-344.
3. Qingyong L., Shengwei R. A Real-Time Visual Inspection System for Discrete Surface Defects of Rail Heads // IEEE Transactions on Instrumentation and Measurement. 2012. Vol. 61, № 8. P. 2189-2199.
4. Automatic Detection of Squats in Railway Infrastructure / M. Molodova, Z. Li, A. Nuñez, R. Dollevoet // IEEE Transactions on Intelligent Transportation Systems. 2014. Vol. 15, № 5. P. 1980-1990. DOI: 10.1109/TITS.2014.2307955.
5. Electromagnetic Tomography Rail Defect Inspection / Ze L., Wen L., Fangqi X., Junyan-Xiafang X., Bu B., Zheng Y. // IEEE Transactions on Magnetics. 2015. Vol. 51, № 10. P. 1-7.
6. Automatic Road Crack Detection Using Random Structured Forests / Yong S., Limeng C., Zhiquan Q., Fan M., Zhensong C. // IEEE Transactions on Intelligent Transportation Systems. 2016. Vol. 17, № 12. P. 3434-45.
7. Zhu Q. Pavement Crack Detection Algorithm Based on Image Processing Analysis // Proceeding of 8th International Conf. on Intelligent Human-Machine Systems and Cybernetics (IHMSC). 2016. P. 15-18.
8. A Novel Approach to Detect and Classify the Defective of Missing Rail Anchors in Real-time / Biswas R., Ahmed-Khan R., Islam S., Uddin J. // International Journal of Emerging Technology and Advanced Engineering. 2016. Vol. 6, № 12. P. 270-276.
9. Integrating the Symmetry Image and Improved Sparse Representation for Railway Fastener Classification and Defect Recognition / Liu J., Li B., Xiong Y., He B. et al. // Mathematical Problems in Engineering. 2015. Vol. 2015, № 1. P. 111.
10. Rajagopal M., Balasubramanian M., Palanivel S. An Efficient Framework to Detect Cracks in Rail Tracks Using Neural Network Classifier // Computación y Sistemas. 2018. Vol. 22, № 3. P. 943-952.
Title: Application of Neural Network Technologies for Flaw Detection of Railway Tracks
Authors' affiliation:
Rumanovskiy I.G. - Pacific National University, Khabarovsk, Russian Federation Kalinnikov N.A. - Pacific National University, Khabarovsk, Russian Federation Nikitin N.A. - Pacific National University, Khabarovsk, Russian Federation
Abstract. Detection of defects or cracks in the rail track plays an important role in the management of railway infrastructure, this helps prevent train accidents both in the summer and in the rainy season. In the summer, cracks form on the rails, along which the train wheel slides. In rainy weather, the rails are subject to corrosion, which also leads to the formation of cracks. Currently, cracks or defects in rails are detected, as a rule, using ultrasonic and magnetic non-destructive testing methods.
BECTHHK TOry. 2023. № 4 (71)
However, these diagnostic methods are time-consuming and expensive. In recent years, interest has grown in the use of UAVs to perform diagnostics of the technical condition of railway tracks. As a rule, the standard equipment of a UAV includes a high-resolution photo video camera. There are UAV projects that combine the ability to conduct contact and non-contact diagnostics of the technical condition of rails. In this regard, there is an urgent need to adapt visual inspection methods to the problem of diagnosing defects in railway tracks. The method proposed in this paper can improve optical images of a rail track using an adaptive histogram equalization method, after which characteristic features such as a gray level co-occurrence matrix and a local binary pattern are extracted from the improved track photograph. These characteristics are classified during the neural network training process using a neural network classifier, which classifies the rail track image into images with cracks and without cracks. The novelty of this work lies in the use of a soft computing method to detect cracks in rail tracks. This technique is trained on a sample of crack images obtained under various conditions. The method automatically classifies the current image based on trained templates, which improves classification accuracy. The results: the accuracy of the proposed system reaches 94.9% compared to manually detected and classified images.
Keywords: cracks, segmentation, classifier, rail tracks, train accidents, neural networks, Gabor transform, accuracy, specificity, sensitivity.
