Yenilikçi derin öğrenme yöntemleri ile ray ve çevresinin anlamlandırılarak kusur tespit algoritmalarının geliştirilmesi
Developing defect detection algorithms by making meaning of rail and environment of rail with innovative deep learning methods
- Tez No: 809640
- Danışmanlar: PROF. DR. İLHAN AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Bilim Dalı
- Sayfa Sayısı: 88
Özet
Demiryollarında kazalar yaşanabilmektedir. Kazaları önlemek için rayların denetlenmesi gerekir. Bu çalışma“Derin öğrenme yöntemleri ile demiryolu görüntüleri anlamlandırılabilir, ray kusurları otonom olarak tespit edilebilir.”hipotezlerini araştırmaktadır. İHA ile toplanarak hazırlanan ray görüntülerinden oluşan veri setinde çeşitli görüntü işleme teknikleri uygulanmıştır. GoogleNet %96, SqueezeNet %91,75 doğruluk oranına ulaşmıştır. İnternette halka açık olarak paylaşılan ray yüzey görüntülerinden oluşan Rail Surface Discrate Defect Tip-1 veri setindeki görüntüler dilimlenerek çoğaltılmış ve yeniden ölçeklendirilmiştir. UNet3+ piksel düzeyinde %81, kusur düzeyinde %88 doğruluk oranına ulaşmıştır. Lokomotifin altına yerleştirilmiş kameralar yardımı ile toplanan veri seti ile UNet, UNet3+ ve kodlayıcı kısmında MobileNetV2 bulunan hibrit ağ ile çöküntü kusurları tahmin edilmiştir. UNet ile UNet3+ %88, hibrit model %87 başarı sağlamıştır. Başka bir çalışmada sınıflandırıcı katmanları özelleştirilmiş Vgg16 ve MobileNetV3-Small ağları eğitilmiştir. Denetimsiz öğrenme yaklaşımının uygulandığı çalışmada ağlar sırasıyla %98 ve %96 doğruluk oranlarına ulaşmışlardır. İnternette halka açık olarak paylaşılan, demiryolu görüntülerini içeren Railsem19 veri setinin özelleştirilmesiyle oluşturulmuş veri seti ile UNet, ICNet, BiSeNetV2 ağları eğitilmiştir. Her üç ağ %98 doğruluk oranına ulaşmıştır. İlk üç veri seti ile ray kusurları tespit edilmiş, son veri seti ile demiryolu görüntüleri anlamlandırılmıştır. Bu sonuçlara göre yüksek doğrulukta demiryolu görüntüleri anlamlandırılabilir, ray yüzeyi kusurları otonom olarak tespit edilebilir. Çalışma, demiryolu işletmelerinin ray denetimlerine katkı sağlayabilir.
Özet (Çeviri)
Accidents can happen on railways. Tracks need to be inspected to prevent accidents. In this study,“With deep learning methods, railway images can be interpreted and rail defects can be detected autonomously.”explores hypotheses. Various image processing techniques were applied to the data set consisting of ray images collected by UAV. GoogleNet reached 96% accuracy and SqueezeNet 91.75% accuracy. Images in the Rail Surface Discrate Defect Type-1 dataset, which consists of publicly shared rail surface images, were sliced amplified and rescaled. UNet3+ achieved 81% accuracy at pixel level and 88% accuracy at defect level. With the help of the cameras placed under the locomotive, the collapse defects were estimated with the UNet, UNet3+ and hybrid MNV2UNet network with the data set. UNet and UNet3+ achieved 88% success, and the hybrid model 87%. In another study, Vgg16 and MobileNetV3-Small networks with customized classifier layers were trained. In the study in which the unsupervised learning approach was applied, the networks reached 98% and 96% accuracy rates, respectively. UNet, ICNet, BiSeNetV2 networks were trained with the dataset created by customizing the Railsem19 dataset, which is publicly shared, containing railway images. All three networks achieved an accuracy rate of 98%. Rail defects were detected with the first three data sets, and the railway images were interpreted with the last data set. According to these results, high-fidelity railway images can be interpreted and rail surface defects can be detected autonomously. The study can contribute to the rail inspections of railway enterprises.
Benzer Tezler
- Medical dataset classification based on different deep learning techniques and meta-heuristic algorithms
Farklı derin öğrenme teknikleri ve meta-sezgisel algoritmalara dayalı tıbbi veri kümesi sınıflandırması
YEZI ALI KADHIM
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiMühendislik Sistemlerinin Modellenmesi ve Tasarımı Ana Bilim Dalı
PROF. DR. ALOK MISHRA
PROF. DR. REŞAT ÖZGÜR DORUK
- Determination of bone age assessment
Kemik yaşı belirlenmesinin değerlendirilmesi
DOĞACAN TOKA
Yüksek Lisans
İngilizce
2024
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜRVET KIRCI
- Derin öğrenme için yenilikçi düzgünleştirme yaklaşımlarının geliştirilmesi ve medikal görüntülere uygulanması
Development of new regularization approaches for deep learning and application to medical images
KAZIM FIRILDAK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED FATİH TALU
DR. ÖĞR. ÜYESİ GAFFARİ ÇELİK
- Derin öğrenme yöntemleri ile EEG tabanlı motor imgeleme sinyallerinin sınıflandırılması
Classification of motor imagery EEG signals using deep learning methods
UMUT ÖZFİDAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİSTANBUL NİŞANTAŞI ÜNİVERSİTESİYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLSÜM ŞANAL
DR. ÖĞR. ÜYESİ KÜBRA EROĞLU
- Derin öğrenme yöntemleri ile medikal bilgi çıkarımı
Medical information extraction with deep learning methods
AZER ÇELİKTEN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN BULUT
PROF. DR. AYTUĞ ONAN