Demiryolu bağlantı elemanı kusurlarının derin öğrenme teknikleri ile tespiti ve sınıflandırılması
Railway fastener defects detection and classification based on deep learning techniques
- Tez No: 781179
- Danışmanlar: PROF. DR. HAKKI GÖKHAN İLK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 110
Özet
Demiryolu araçları dünyada ve ülkemizde yük ve yolcu taşımacılığı için yaygın olarak kullanılmaktadır. Güvenli bir şekilde taşımacılığın yapılabilmesi için demiryolu hat bileşenlerinin düzenli bir şekilde bakımı yapılması gerekmektedir. Demiryolu hat kusurlarını bulmak için yapılan farklı bakım tipleri mevcuttur. Bu yöntemler arasından görsel muayenenin önemli bir yeri vardır. Görsel muayene genellikle personel tarafından göz ile yapılmaktadır. Teknolojinin gelişmesi ile demiryolu aracı ile görme tabanlı hat kusurlarının bulunması önem kazanmıştır. Görüntüleme sistemleri ve yazılım ile uygulanan otomatik muayene sistemi, personelin gözle inceleme yaptığı manuel inceleme yöntemine göre hızlı, güvenli ve maliyeti daha düşüktür. Otomatik muayene sisteminde kullanılacak olan algoritmanın, doğruluk oranı yüksek ve stabil olmalıdır. Yapılan çalışmada, trenin altına monte edilen kamera sisteminden alınan görüntülerden iki aşamalı bir yöntem ile bağlantı elemanı kusurları tespit edilmiştir. İlk aşamada görüntü işleme yöntemleriyle, hat görüntüsünden ray ve travers konumuna göre bağlantı elemanının konumu tespit edilmiştir. İkinci aşamada bağlantı elemanı durum tespiti için YİÖ (Yerel İkili Örüntü) ve YGH (Yönlü Gradyan Histogramı) gibi klasik özellik çıkarma yöntemleri ve farklı Konvolüsyonel Sinir Ağı mimarilerinde KSA-1, MobileNet-v3, ResNet-50 ve RegNetY-1.6GF modelleri kullanılmıştır. Derin öğrenme modelleri, klasik özellik çıkarma yöntemlerinden daha iyi sonuç vermiştir. En iyi performansı veren RegNetY-1.6GF modelinde, test verilerinde %98.71 sınıflandırma doğruluğu ve sağlam bağlantı elemanı için 0.992, eksik bağlantı elemanı için 0.992, hasarlı bağlantı elemanı için 0.98 ve dönmüş bağlantı elemanı için 0.976 F1 skorları elde edilmiştir.
Özet (Çeviri)
Railway vehicles are widely used in the world and in our country for freight and passenger transportation. Regular maintenance of railway line components is required for safe transportation. There are different types of maintenance to find railway track defects. Among these methods, visual inspection has an important place. Visual inspection is generally done by the staff visually. With the development of technology, it has become important to find vision-based line defects with the railway vehicle. The automatic inspection system implemented with imaging systems and software is faster, safer and less costly than the manual inspection method, where the personel makes visual inspection. The algorithm to be used in the automatic inspection system should have a high accuracy rate and a stable. In the study, fastener defects were detected with a two-stage method from the images taken from the camera system mounted under the train. At the first stage, the position of the fastener was determined according to the rail and sleeper position from the line image with image processing methods. In the second stage, classical feature extraction methods such as LBP and HOG, and KSA-1, MobileNet-v3, ResNet-50 and RegNet-1.6GF models in different Convolutional Network architectures were used for fastener condition detections. Deep learning models gave better results than classical feature extraction methods. In the RegNetY-1.6GF model, which gave the best performance, 98.71% classification accuracy in the test data and F1 scores of 0.992 for an intact fastener, 0.992 for a missing fastener, 0.98 for a damaged fastener, and 0.976 for a rotated fastener were obtained.
Benzer Tezler
- Structural monitoring and analysis of steel truss railroad bridges
Çelik makas demiryolu köprülerinin yapısal izleme ve analizi
TUĞBA AKIN
Yüksek Lisans
İngilizce
2012
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET TÜRER
- Hızlı demiryolu üstyapı elemanlarının kabul ve uygunluk ölçütleri: Ankara-Eskişehir hızlı tren projesi örneği
Acceptance and compliance criteria of the high speed railway superstructure elements: Case study of Ankara-Eskişehir high speed train project
HALİT YÜCEL
Yüksek Lisans
Türkçe
2009
Ulaşımİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZÜBEYDE ÖZTÜRK
- Tramvay hatlarında farklı durumların plak yorulmasına etkisinin incelenmesi
Fatigue performance of track slab for tramway under different conditions
EFE ERDEM
Yüksek Lisans
Türkçe
2020
Ulaşımİstanbul Teknik ÜniversitesiRaylı Sistemler Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜBEYDE ÖZTÜRK
- Concept and construction design of a freight wagon bogie frame with variable axle distance
Değiştirilebilir aks açıklığı olan bir yük vagonu boji karkası konsept ve taşıyıcı konstrüksiyon tasarımı
VOLKAN İGDE
Yüksek Lisans
İngilizce
2018
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMİN SÜNBÜLOĞLU
- Dynamic optimization of radio resource management in LTE-based high-speed railway wireless networks
LTE tabanlı hızlı demiryolu kablosuz ağlarda radyo kaynak yönetiminin dinamik optimizasyonu
ALİ HÜSEYİN RÜSTEM
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN