Резницкий М.А. Программная реализация автоматизированной системы обнаружения дефектов верхнего строения пути на основе технологии свёрточных нейронных сетей [Электронный ресурс] / М. А. Резницкий, Л.В. Аршинский // Молодая наука Сибири: электрон. науч. журн. – 2018. – №1. – Режим доступа: http://mnv.irgups.ru/toma/11-2018, свободный. – Загл. с экрана. – Яз. рус., англ. (дата обращения: 24.10.2018)
В статье на основе технологии свёрточных нейронных сетей рассматриваются подходы к решению задачи автоматизированной обработки изображений верхнего строения железнодорожного пути с целью выявления зон, подозрительных на дефекты. Рассматриваются такие дефекты, как дефекты рельсовых стыков, дефекты рельсовых скреплений, дефекты шпал, поверхностные дефекты рельсов, «прочее», куда относят все дефекты, не попавшие в предыдущие классификации. При этом в силу большой стоимости ошибки второго рода все изображения с помощью сети делятся на два класса: изображения без дефектов и изображения, подозрительные на дефекты. Второй набор изображений предлагается направлять специалистам для ручной проверки.
Исходными данными для процесса обработки изображения являются файлы со снимками путей. Каждое фото представляет собой сдвиг относительно предыдущего примерно на 30 см вдоль путей. За основу были взяты изображения, полученные одним из поездов Центра диагностики и мониторинга устройств инфраструктуры – структурного подразделения Западно-Сибирской дирекции инфраструктуры – структурного подразделения Западно-Сибирской железной дороги – филиала ОАО «РЖД».
Обсуждается содержание и особенности и программной реализации метода. Программный комплекс включает программу для автоматизированной сегментации изображений, программа для автоматизированной сборки обучающей и тестовой выборки данных в текстовый файл, программа для конфигурации и обучения свёрточной нейронной сети.
Показана принципиальная возможность использования сверточных нейронных сетей для решения указанного класса задач
- Боравская Е.Н., Шапилов Е.Д. Предпосылки для формирования международной сети ВСМ // Скоростной и высокоскоростной железнодорожный транспорт, 2001. Т. 1. С. 181-183.
- Борисов Е.С. О методах обучения многослойных нейронных сетей прямого распространения – http://mechanoid.kiev.ua/neural-net-backprop2.html (дата обращения 25.09.2018)
- Резницкий М.А. Решение задачи анализа верхнего строения пути по его изображениям // Информационные технологии и проблемы математического моделирования сложных систем. – Вып.16. – Иркутск: ИрГУПС, 2016. – С. 15-20.
- Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений. – Санкт-Петербург: Изд-во СПБГУ ИТМО, 2008. – 281с.
- Хайкин С. Нейронные сети: полный курс, 2-е издание : Пер. с англ. Н.Н. Куссуль, А.Ю. Шелестова; под ред. Н.Н. Куссуль – М.: Издательский дом «Вильямс», 2006. – 1104 с.
- Hall, E. L. Computer Image Processing and Recognition, Academic Press, New York, 1979. – 811p.
- Jahne B. Digital image processing. 6th ed. Springer, 2005. – 639 c.
- Kozin, N.E. Gradual learning the radial neural networks / N.E. Kozin, V.A. Fursov // Computer Optics. – 2004. – № 26. – pp. 138-141.
- LeCun, Y. Convolutional Networks for Images, Speech, and Time-Series, in Arbib / LeCun, Y. Bengio ; MIT Press, 1995. 14p.
- LeCun, Y. Gradient Based Learning Applied to Document Recognition / Y. LeCun, L. Bottou, P. Haffner – IEEE Press, 1998. – . 46 p.