Affiliation:
1. FIRAT ÜNİVERSİTESİ
2. FIRAT UNIVERSITY
3. MUŞ ALPARSLAN ÜNİVERSİTESİ
Abstract
Demiryollarında ray güvenliği tren kazalarının önlenmesi için oldukça önemlidir. Ray çevresinde ve üzerinde bulunan nesneler tren için tehlike arz etmektedir. Dolayısıyla demiryoluna izinsiz girişlerin tespit edilerek trenlerin güvenli çalışması akıllı ulaşım sistemleri için oldukça önemlidir. Bu çalışmada raylı sistemlerde ray çevresinin anlamlandırılması amacıyla görüntü bölütleme tabanlı yaklaşımlar karşılaştırılmış ve ray çevresindeki nesnelerin tespiti sağlanmıştır. Görüntü bölütleme tabanlı ray ve çevresinin anlamlandırılması için UNet, BiSeNetV2, DeepLabV3 ve PP-LiteSeg modelleri karşılaştırmalı olarak analiz edilmiştir. Ayrıca ray çevresindeki nesnelerin tespitinde YOLOv7 uygulanmıştır. Böylece, modellerin gerçek dünya senaryolarında ne kadar başarılı olduğu değerlendirilmiştir. Deneyler sonucunda, hafif yapısıyla dikkat çeken PP-LiteSeg modelinin yüksek segmentasyon performansı gösterdiği tespit edilmiştir. Eğitim aşamasının nesne tespitinde önemli olduğu görülmüş ve PP-LiteSeg'in Jetson Nano gibi tek devre kartlarda başarılı bir şekilde uygulanabildiği sonucuna ulaşılmıştır. Çalışmadaki bir diğer model YOLOv7, TensorRT kütüphanesi kullanılarak paralel çalışacak şekilde optimize edilmiş ve hafıza alanlarının bağımsız olarak kullanılabilmesi için özel bir kontrol mekanizması geliştirilmiştir. Elde edilen sonuçlara göre, PP-LiteSeg modelinin diğer modellere göre daha yüksek doğruluk ve mIoU değerleri elde ettiği görülmüştür. Yapılan çalışma raylı sistemlerde hızlı ve doğru nesne tespiti için segmentasyon modellerinin seçimine yönelik önemli sonuçlar içermektedir. Çalışma PP-LiteSeg modelinin kullanımıyla birlikte sınırlı kaynağa sahip ortamlarda bile yüksek kalitede nesne tespiti yapılabileceğini kanıtlamıştır.
Funder
Fırat Üniversitesi Bilimsel Araştırma Projeleri Birimi
Publisher
Demiryolu Muhendisligi Dergisi, Demiryolu Muhendisleri Dernegi
Subject
Energy Engineering and Power Technology,Fuel Technology
Reference25 articles.
1. [1] T. Zhu, & JMMS. De Pedro, ”Railway traffic conflict detection via a state transition prediction approach,” IEEE Transactions on Intelligent Transportation Systems, vol. 18, no. 5, pp. 1268-1278.
2. [2] T. Ye, Z. Zheng, X. Li, Z. Zhao, & XZ. Gao, “An efficient few-shot object detection method for railway intrusion via fine-tune approach and contrastive learning,” IEEE Transactions on Instrumentation and Measurement.
3. [3] Y. Li, Y. Qin, Z. Xie, Z. Cao, L. Jia, Z. Yu & E. Zhang, “Efficient SSD: a real-time intrusion object detection algorithm for railway surveillance,” In 2020 International Conference on Sensing, Diagnostics, Prognostics, and Control (SDPC), pp. 391-395. IEEE
4. [4] Z. Zheng, W. Liu, R. Liu, L. Wang, L. Mao, Q. Qiu, & G. Ling, “Anomaly detection of metro station tracks based on sequential updatable anomaly detection framework,” IEEE Transactions on Circuits and Systems for Video Technology, vol. 32, no. 11, pp. 7677-7691
5. [5] X. Ding, X. Cai, Z. Zhang, W. Liu, & W. Song, “Railway foreign object intrusion detection based on deep learning,” In 2022 International Conference on Computer Engineering and Artificial Intelligence (ICCEAI), pp. 735-739. IEEE.
Cited by
1 articles.
订阅此论文施引文献
订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献