Multiple Fault Detection in Railway Components with Mask R-CNN Deep Neural Network

Abstract

Demiryolu birçok yolcunun aynı anda seyahat edebilmesine olanak tanıyan aynı zamanda yük taşımacılığında da sıklıkla kullanılan bir ulaşım çeşididir. Ulaşımda kazalar ve aksamalar meydana gelmemesi için hattın periyodik olarak kontrolünün sağlanması ve hatalı bileşenlerin belirlenerek onarılması gerekmektedir. Raylı ulaşım sistemlerinin güvenliğinin sağlanması için yapılan manuel denetimlere alternatif olarak, son zamanlarda görüntü işleme algoritmaları ve derin öğrenme algoritmaları kullanılarak temassız, hızlı ve güvenilir sonuçlar veren hata tespit yöntemleri geliştirilmiştir. Bu çalışmada sağlıklı olan traversler ve travers üzerinde meydana gelen çeşitli hataların tespit edilmesine yönelik Mask R-CNN derin sinir ağı mimarisi kullanılarak yeni bir yöntem önerildi. Üç farklı hata türü ve sağlıklı travers olmak üzere toplamda dört farklı sınıf etiketi ile etiketlenen gerçek demiryolu görüntüleri kullanılarak model eğitimi ve eğitilen modelin test edilmesi sağlandı. Değerlendirme metrikleri hesaplanarak modelin başarı performansı ölçüldü. Sağlıklı ve hatalı olan traversleri belirlemede modelin doğruluğu %95 olarak belirlendi.