Raylı ulaşımda katener sistemlerindeki ark tespiti için derin öğrenme ve görüntü işleme tabanlı bir yaklaşım
A deep learning and image processing-based approach for arc detection in catenary systems of railway transportation
- Tez No: 1021767
- Danışmanlar: DOÇ. DR. YAVUZ ATEŞ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Mühendislik Bilimleri, Electrical and Electronics Engineering, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Tesisleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektrikli demiryolu sistemlerinde enerji aktarımı, pantograf ile katener sistemi arasındaki sürekli temas aracılığıyla sağlanmaktadır. Bu temasın anlık olarak bozulması, pantograf–katener arayüzünde elektrik arklarının oluşmasına neden olabilmekte ve akım toplama kalitesi, sistem güvenilirliği ve bakım süreçleri üzerinde olumsuz etkiler oluşturabilmektedir. Ark olaylarının görüntü içerisinde küçük, kısa süreli ve düşük kontrastlı bölgeler olarak ortaya çıkması, bu problemin görüntü tabanlı küçük nesne tespiti kapsamında ele alınmasını gerekli kılmaktadır. Bu çalışmada, pantograf–katener arayüzünde oluşan elektrik arklarının derin öğrenme tabanlı görüntü işleme yöntemleriyle daha güvenilir biçimde tespit edilmesi amaçlanmıştır. Bu kapsamda YOLOv11n, Faster R-CNN ve RetinaNet nesne tespit modelleri aynı veri seti ve değerlendirme protokolü altında eğitilerek karşılaştırılmıştır. Modellerin başarımları Kesişim-Birleşim Oranı (Intersection over Union, IoU), kesinlik, duyarlılık, Ortalama Kesinlik (Average Precision, AP) ve Sınıflar Üzerinden Ortalama Kesinlik (mean Average Precision, mAP) metrikleriyle değerlendirilmiştir. Önerilen yaklaşımda, arkların fiziksel olarak pantograf–katener temas bölgesi çevresinde meydana gelmesi bilgisinden yararlanılmıştır. Bu doğrultuda tüm görüntü çerçevesi yerine pantograf merkezli dinamik İlgi Bölgesi (Region of Interest, ROI) çıkarımı uygulanmış ve tespit alanı fiziksel olarak anlamlı bir bölgeyle sınırlandırılmıştır. Ayrıca ROI içerisindeki küçük ark örüntülerinin görsel ayrıntılarını güçlendirmek amacıyla süper çözünürlük destekli bir ön işleme adımı kullanılmıştır. Deneysel sonuçlar, pantograf merkezli ROI çıkarımı ve süper çözünürlük destekli ön işleme yaklaşımının ark tespit başarımını artırdığını göstermiştir. Önerilen yaklaşım ile temel görüntü tabanlı tespit sürecine kıyasla [email protected]:0.95 değerinde yaklaşık 19 puanlık artış elde edilmiştir. Bu sonuç, pantograf–katener ark tespitinde model mimarisinin yanı sıra fiziksel alan bilgisine dayalı ön işleme ve arama alanı daraltma stratejilerinin de tespit başarımı üzerinde önemli etkiye sahip olduğunu göstermektedir.
Özet (Çeviri)
In electric railway systems, energy transfer is provided through continuous contact between the pantograph and the catenary system. Momentary disruptions in this contact may cause electric arcs at the pantograph–catenary interface, adversely affecting current collection quality, system reliability, and maintenance processes. Since pantograph–catenary arcs generally appear in images as small, short-duration, and low-contrast regions, this problem needs to be addressed as a challenging small object detection task in image-based analysis. This study aims to detect electric arcs occurring at the pantograph–catenary interface more reliably using deep learning-based image processing methods. In this scope, YOLOv11n, Faster R-CNN, and RetinaNet object detection models were trained and compared under the same dataset and evaluation protocol. The performances of the models were evaluated using commonly adopted object detection metrics, including Intersection over Union (IoU), precision, recall, Average Precision (AP), and mean Average Precision (mAP). The proposed approach makes use of the prior knowledge that arc events physically occur around the pantograph–catenary contact region. Accordingly, instead of processing the entire image frame directly, a pantograph-centered dynamic Region of Interest (ROI) extraction was applied, and the detection area was restricted to a physically meaningful region. In addition, a super-resolution-based preprocessing step was employed to enhance the visual details of small arc patterns within the ROI. Experimental results show that the pantograph-centered ROI extraction and super- resolution-supported preprocessing approach improves arc detection performance. Compared with the baseline image-based detection process, the proposed approach achieved an improvement of approximately 19 percentage points in [email protected]:0.95. This result indicates that, in pantograph–catenary arc detection, not only the model architecture but also preprocessing and search area restriction strategies based on physical domain knowledge have a significant effect on detection performance.
Benzer Tezler
- Raylı sistemlerde pantograf-katener sistemlerinin dinamik ark model simulasyonları
Dynamic arc model simulations of pantograph-catenary systems in rail systems
YUSUF ÖZTÜRK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA BAĞRIYANIK
- Pantograf-katener sistemlerinde görüntü işleme tabanlı temassız izleme yöntemlerinin geliştirilmesi
Development of image processing based contactless monitoring methods in pantograf-catenary systems
ORHAN YAMAN
Yüksek Lisans
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET KARAKÖSE
- Kentsel raylı ulaşım sistemleri için akıllı enerji yönetim algoritması geliştirilmesi
Development of intelligent energy management algorithm for urban rail transportation systems
AHMET YILDIZ
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. OKTAY ARIKAN
- Metro ve hafif raylı ulaşım araçları için süperkapasitör depolamalı frenleme enerjisi geri kazanımı sistemi geliştirilmesi
Development of a regenerative braking energy storage system using supercapacitors for metro and light rail vehicles
MEHMET HAKAN AKŞİT
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIK ÇADIRCI
- Elektrikli raylı ulaşım sistemlerinde enerjinin kullanımı
Energy using in rail vehicles driven by electricity
CEMİL USLU
Yüksek Lisans
Türkçe
1997
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ERTAN YANIKOĞLU