Mask R-CNN Algoritmasını Kullanarak Demiryolu Travers Eksikliklerinin Tespiti İçin Otonom İHA Tasarımı

Yıl 2022, Cilt: 34 Sayı: 1, 409 - 420, 20.03.2022

İlhan Aydın , Emre Güçlü , Erhan Akın

https://doi.org/10.35234/fumbd.1039995

Cited By: 3

Öz

Demiryolları, genellikle aralarında belirli mesafe ile monte edilen traversler aracılığıyla balast altyapısı tarafından desteklenen çelik raylardan oluşur. Traversler ve bağlantı elemanları demiryollarının önemli bileşenleridir. Bu nedenle, bu bileşenlerin eksikliği, önemli sorunlara yol açabilir. Ancak, traverslerin denetlenmesi ve gerçek demiryolu sahasında travers eksikliklerinin tespiti için teknoloji eksikliği vardır. Bu çalışma, demiryollarında bulunan traverslerin kayma ve eksiklik durumlarını incelemek için otonom İHA uçuş kontrol yöntemi önermektedir. Çalışma, otonom ray takibi ve travers kusurlarını inceleme olmak üzere ikiye ayrılmaktadır. İlk bölümde İHA’nın, demiryolunu otonom olarak gezinerek veri toplayabilmesi için ray takip algoritması geliştirilmiştir. İkinci bölümde, Mask R-CNN, travers tanıma ve eksiklik tespiti için eğitilmiştir. Tespit oranını ve verimliliğini artırmak amacıyla travers eksiklik tespiti için Mask R-CNN kullanılmıştır. Travers tespitinden sonra traversler arası mesafeler ölçülerek traverslerdeki eksiklikler tespit edilmiştir. Çalışmanın sınıflandırma başarı oranı %97’dir. Uygulanan yöntem geleneksel yöntemlere kıyasla maliyetleri önemli ölçüde azaltmaktadır. Bu çalışma, travers eksikliklerinin tespiti ile mevcut rayların denetlenmesi için değerli olup, geleneksel yöntemlere kıyasla maliyetleri önemli ölçüde azaltmaktadır.

Anahtar Kelimeler

Otonom İHA, Kusur tespiti, Travers kusurları

Destekleyen Kurum

TÜRKİYE BİLİMSEL VE TEKNOLOJİK ARAŞTIRMA KURUMU

Proje Numarası

120E097

Teşekkür

Bu çalışma, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TUBITAK) tarafından 120E097 no’lu proje ile desteklenmiştir.

Kaynakça

• Edwards, J. R., Hart, J. M., Sawadisavi, S., Resendiz, E., Barkan, C., & Ahuja, N. (2009). Advancements in railroad track inspection using machine-vision technology. In AREMA Conference Proceedings on American Railway and Maintenance of Way Association (Vol. 290).
• Zhang, X., Feng, N., Wang, Y., & Shen, Y. (2014). An analysis of the simulated acoustic emission sources with different propagation distances, types and depths for rail defect detection. Applied Acoustics, 86, 80-88.
• Liu, Z., Li, W., Xue, F., Xiafang, J., Bu, B., & Yi, Z. (2015). Electromagnetic tomography rail defect inspection. IEEE Transactions on Magnetics, 51(10), 1-7.
• Kocbek, S., & Gabrys, B. (2019, November). Automated machine learning techniques in prognostics of railway track defects. In 2019 International Conference on Data Mining Workshops (ICDMW) (pp. 777-784). IEEE.
• Jiang, Y., Wang, H., Tian, G., Chen, S., Zhao, J., Liu, Q., & Hu, P. (2018, July). Non-contact ultrasonic detection of rail surface defects in different depths. In 2018 IEEE Far East NDT New Technology & Application Forum (FENDT) (pp. 46-49). IEEE.
• Du, X., Cheng, Y., & Gu, Z. (2020). Change Detection: The Framework of Visual Inspection System for Railway Plug Defects. IEEE Access, 8, 152161-152172.
• Han, Y., Liu, Z., Lyu, Y., Liu, K., Li, C., & Zhang, W. (2020). Deep learning-based visual ensemble method for high-speed railway catenary clevis fracture detection. Neurocomputing, 396, 556-568.
• Lu, J., Liang, B., Lei, Q., Li, X., Liu, J., Liu, J., ... & Wang, W. (2020). SCueU-net: Efficient damage detection method for railway rail. IEEE Access, 8, 125109-125120.
• Aydin, I., Akin, E., & Karakose, M. (2021). Defect classification based on deep features for railway tracks in sustainable transportation. Applied Soft Computing, 111, 107706.
• Li, X., Doh, S. I., Jing, G., Chong, B. W., Suil, A. L., & Chin, S. C. (2021). A comparative review on American, European and Chinese standard for railway concrete sleeper. Physics and Chemistry of the Earth, Parts A/B/C, 103073.
• Ortega, R. S., Pombo, J., Ricci, S., & Miranda, M. (2021). The importance of sleepers spacing in railways. Construction and Building Materials, 300, 124326.
• Franca, A. S., & Vassallo, R. F. (2020). A method of classifying railway sleepers and surface defects in real environment. IEEE Sensors Journal, 21(10), 11301-11309.
• Feng, H., Jiang, Z., Xie, F., Yang, P., Shi, J., & Chen, L. (2013). Automatic fastener classification and defect detection in vision-based railway inspection systems. IEEE transactions on instrumentation and measurement, 63(4), 877-888.
• Li, Q., & Ren, S. (2012). A real-time visual inspection system for discrete surface defects of rail heads. IEEE Transactions on Instrumentation and Measurement, 61(8), 2189-2199.
• Sherstjuk, V., Zharikova, M., & Sokol, I. (2018, April). Forest fire-fighting monitoring system based on UAV team and remote sensing. In 2018 IEEE 38th International Conference on Electronics and Nanotechnology (ELNANO) (pp. 663-668). IEEE.
• Hwang, Y. S., Schlüter, S., Park, S. I., & Um, J. S. (2021). Comparative evaluation of mapping accuracy between UAV video versus photo mosaic for the scattered urban photovoltaic panel. Remote Sensing, 13(14), 2745.
• Alotaibi, E. T., Alqefari, S. S., & Koubaa, A. (2019). Lsar: Multi-uav collaboration for search and rescue missions. IEEE Access, 7, 55817-55832.
• Rafi, F., Khan, S., Shafiq, K., & Shah, M. (2006, May). Autonomous target following by unmanned aerial vehicles. In Unmanned Systems Technology VIII (Vol. 6230, p. 623010). International Society for Optics and Photonics.
• Ghassoun, Y., Gerke, M., Khedar, Y., Backhaus, J., Bobbe, M., Meissner, H., ... & Heyen, R. (2021). Implementation and Validation of a High Accuracy UAV-Photogrammetry Based Rail Track Inspection System. Remote Sensing, 13(3), 384.
• Geng, Y., Pan, F., Jia, L., Wang, Z., Qin, Y., Tong, L., & Li, S. (2021). UAV-LiDAR-Based Measuring Framework for Height and Stagger of High-Speed Railway Contact Wire. IEEE Transactions on Intelligent Transportation Systems.
• Bojarczak, P., & Lesiak, P. (2021). UAVs in rail damage image diagnostics supported by deep-learning networks. Open Engineering, 11(1), 339-348.
• Lygouras, E., Santavas, N., Taitzoglou, A., Tarchanidis, K., Mitropoulos, A., & Gasteratos, A. (2019). Unsupervised human detection with an embedded vision system on a fully autonomous UAV for search and rescue operations. Sensors, 19(16), 3542.
• Shiri, H., Park, J., & Bennis, M. (2019, December). Massive autonomous UAV path planning: A neural network based mean-field game theoretic approach. In 2019 IEEE Global Communications Conference (GLOBECOM) (pp. 1-6). IEEE.
• Khadka, A., Fick, B., Afshar, A., Tavakoli, M., & Baqersad, J. (2020). Non-contact vibration monitoring of rotating wind turbines using a semi-autonomous UAV. Mechanical Systems and Signal Processing, 138, 106446.
• Wang, C., Wang, J., Wang, J., & Zhang, X. (2020). Deep-Reinforcement-Learning-Based Autonomous UAV Navigation With Sparse Rewards. IEEE Internet of Things Journal, 7(7), 6180-6190.
• Güçlü, E., Aydın, İ., & Akın, E. (2021, July). Fuzzy PID Based Autonomous UAV Design for Railway Tracking. In 2021 International Conference on Information Technology (ICIT) (pp. 456-461). IEEE.
• He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask r-cnn. In Proceedings of the IEEE international conference on computer vision (pp. 2961-2969).