Demiryolu Ray ve Kusurlarını Tespit Etmek İçin Geliştirilen İki Yeni Yöntem

Yıl 2020, , 52 - 63, 31.07.2020

Ahmet Çelik

https://doi.org/10.47072/demiryolu.737624

Cited By: 4

Öz

Raylı sistem araçları günümüzde çok yaygın kullanılmaktadır. Bu yaygın kullanımın nedeni, en güvenli yolcu ve yük taşıma aracı olmasından kaynaklanmaktadır. Bu güvenilirliğin devam etmesi için demir yolu raylarının sık sık kontrol edilmesi gerekmektedir. Bu kontroller yardımıyla demiryolu ray kusurları bulunarak, istenmeyen kazaların önüne geçilebilmektedir. Günümüzde demiryolu raylarında yapılan kontroller yıl içinde birkaç kez belirli dönemlerde yapılmaktadır. Bu demiryolu ray kontrol işlemi çoğunlukla çalışan personel tarafından gözlem yapılarak gerçekleşmektedir. Bu yöntem güvenilir değildir ayrıca uzun zaman alabilmektedir. Demiryolları devamlı kullanıldığından kontrollerin kısa sürede tamamlanması gerekmektedir. Bu kontroller yapılırken ray yapısında, tahribat yapılmaması gerekmektedir. Bu yüzden tahribatsız yöntemler tercih edilmektedir. Bilgisayar destekli görsel muayene yöntemi tahribatsız muayene yöntemlerinden biridir. Bu çalışmada, bir kamera yardımıyla elde ray görüntüleri üzerinde, bilgisayar destekli görüntü işleme algoritmaları kullanılarak, ray temas bölgesi tespit edilmiştir. Ray görüntüleri üzerinde, özgün olarak geliştirilen Yatay-Dikey ve Yatay-Yatay görüntü işleme algoritmaları uygulanmıştır. Elde edilen sonuçlara göre Yatay-Dikey algoritmasının ray-temas bölgelerini doğru şekilde tespit ettiği görülmüştür. En son aşamada işaretlenen ray-temas bölgeleri üzerinde, kusur tespiti yapmak için sütun ortalaması, eşikleme yöntemi önerilmiştir.

Anahtar Kelimeler

Demiryolu rayları, Tahribatsız muayene, Kusur tespiti, Görüntü işleme, Ortalama, Eşikleme

Two New Methods Developed to Detect Railway Rail and Defects

Öz

Rail system vehicles are widely used today. The reason for this widespread use that is the safest passenger and freight transport vehicle. In order to maintain this reliability, railway rails should be checked frequently. With the help of these controls, unwanted accidents can be prevented by finding rail defects. Nowadays, checks on railway rails are carried out several times during the year.
This rail track control process is mostly observing by staff. This method is unreliable and can take a long time. As railways are used continuously, the inspection should be completed in a short time. While performing these checks, no damage should be made to the rail structure. Therefore, non-destructive methods are preferred. Computer aided visual inspection method is one of the non-destructive inspection methods. In this study, computer aided image processing algorithms are used on rail images taken by the camera to detect rail head and rail contact area. Originally developed Horizontal-Vertical and Horizontal-Horizontal image processing algorithms are applied on the rail images. According to the obtained results, it was observed that Horizontal-Vertical algorithm correctly identified the region of the rail-contact. Finally using column average threshold method has been proposed on rail-contact areas for defect detection. 

Anahtar Kelimeler

Railway rails, Non-destructive inspection, Defect detection, Image processing, Averaging thresholding

Kaynakça

• [1] Y. Berber, Ü. Öztuyak, F. Örs and O. Kalaycıoğlu, “Kardemir’de ray üretimi,” 3. Demir Çelik Sempozyumu, Karabük, Türkiye, 2018, pp. 15-18.
• [2] Y. Özdemir, “Ray-Tekerlek temasında temas parametrelerinin ,ncelenmesi,” Demiryolu Mühendisliği Dergisi, no. 11, pp. 1-13, Oca. 2020.
• [3] S.S.J. Kumar, T.J. Titus, V. Ganesh and V.S.S. Devi, “Automotive crack detection for railway track using ultrasonic sensor,” International Journal of Engineering Technology and Computer Research (IJETCR), vol. 4, no. 5, pp. 34-37, Dec. 2016.
• [4] C. Tastimur, H. Yetis, M. Karaköse and E. Akın, “Rail defect detection and classification with real time image processing technique,” International Journal of Computer Science and Software Engineering (IJCSSE), vol. 5, no.12, pp. 283-290, Dec. 2016.
• [5] M. Molodova, Z. Li, A. Núñez and R. Dollevoet, “Automatic detection of squats in railway infrastructure,” In IEEE Transcation on Intelligent Transportation Systems, vol. 15, no. 5, Oct. 2014.
• [6] L. Chen, Y. Liang and K. Wang, “Inspection of rail surface defect based on machine vision system,” The 2nd International Conference on Information Science and Engineering, Hangzhou, China, 2010, pp. 3793-3796.
• [7] Y. Santur, M. Karaköse and E. Akın, “Chouqet fuzzy integral based condition monitoring and analysis approach using simulation framework for rail faults,” In 14th IEEE International Conference on Industrial Informatics, Poitiers, France, 2016, pp. 345-350.
• [8] R.P.B.J. Dollevoet, “Design of an anti-head check profile based on stress relief,” PhD Thesis, Research UT, University of Twente, Enschede, 2010.
• [9] M. Shah, “Automated visual inspection/ detection of railroad track,” Computer Vision Lab, Final Report, 2010.
• [10] V. R. Vijaykumar and S. Sangamithirai, “Rail defect detection using gabor filters with texture analysis,” In 2015 3rd International Conference on Signal Processing, Communication and Networking (lCSCN), Chennai, India, 2015, pp. 1-6.
• [11] G. Joy, H. N, and R. Krishnan, “Rail flaw detection using image processing concepts- a review,” International Journal of Engineering Research & Technology (IJERT), vol. 3, no. 4, pp. 2185-2190, Apr. 2014.
• [12] M. Tuğyanoğlu, A. Keskin, U. Biçer and Ş. Erdoğan, ”Yüksek hızlı tren (yht) hatlarında kusurlu ray incelemesi”, 2. Uluslararası Raylı Sistemler Mühendisliği Sempozyumu (ISERSE’13), Karabük, Türkiye, 2013, pp. 1-8.
• [13] Swiss Federal Railways (SBB) and Swiss Center for Electronics and Microtechnology (CSEM), “Deep Learning of Railway Track Faults using GPUs”. Jun. 2018. [Online]. [Accessed April 28, 2020]
• [14] A. Çelik, “Computer vision system for defect detection of hot rolling products,” International Journal of Computer Trends and Technology (IJCTT), vol. 40, no. 2, pp. 88-91, Oct. 2016
• [15] İ. M. Orak and A. Çelik, “Üretim aşamasında ray ve profilde oluşan kusurların tespitine yönelik bir paralel kusur algılama algoritması,” Journal of the Faculty of Engineering and Architecture of Gazi University, vol. 32, no. 2, pp. 439-448, Jun. 2017.
• [16] İ. M. Orak and A. Çelik, “An algorithm (COLMSTD) for detection of defects on rail and profile surfaces,” International Journal of Computer Science and Information Security (IJCSIS), vol. 14, no. 4, pp. 45-50, Apr. 2016.
• [17] İ. M. Orak and A. Çelik, “Parallel noise removing process on hot rolled rail images for defect detection,” Global Journal on Technology, no. 07, pp. 136-143, Mar. 2015.
• [18] A. Çelik, “ Haddeleme işlemi sırasında ray ve profil yüzeylerinde oluşan kusurların tespit edilmesine yönelik paralel işlemci uygulaması,” Doktora tezi, Fen Bilimleri Enstitüsü, Karabük Üniversitesi, Karabük, 2016.
• [19] M.A. Sevim, A.C. Çelt, S. Kabar and Ö. Akgünlü, “Demiryollarında Raylara Uygulanan Tahribatsız Muayene Yöntemleri,” Demiryolu Mühendisliği, no. 11, pp. 60 – 74, Oca. 2020.
• [20] The American Society for Nondestructive Testing, “Introduction to Nondestructive Testing”, 2019. [Online]. Available: https://prod.asnt.org/en/MinorSiteSections/AboutASNT/Intro-to-NDT.aspx (Accessed April 10, 2020).