Derin öğrenme metotları ile demiryolu arızalarının teşhisi ve sınıflandırılması

Derin öğrenme metotları üzerine çalışmalar, bilgisayar donanımındaki, özellikle de grafik işlemci kartındaki gelişmelerden sonra büyük ivme kazanmıştır. Bu gelişmeler makine görüsü destekli uygulamaların hem daha başarılı sonuçlar vermesini hem de kullanım alanlarının genişlemesini sağlamıştır. Nesne sınıflandırma alanında insan başarımı seviyesi geride bırakılmış ve nesne tespit algoritmaları gerçek zamanlı çalışabilir hale gelmiştir. Derin öğrenme algoritmaları veriye aç sistemler olduğu için bunların eğitilmesi ve test edilmesinde veri kümesi kritik öneme sahiptir. Demiryolu arıza teşhisi ve sınıflandırması üzerine internette halka açık olarak erişimi mümkün olan bir veri kümesi bulunmamaktadır. Bu çalışmada Türkiye Cumhuriyeti Devlet Demiryolları'nın (TCDD) demiryolu hat bakım ve izleme çalışmalarında elde edilen görüntüler derlenip, literatürde en sık karşılaşılan ray kusurları göz önünde bulundurularak, demiryolu arıza teşhisi ve sınıflandırması uygulaması geliştirebilmek için bir veri kümesi oluşturulmuştur. Oluşturulan bu veri kümesi kullanılarak YOLOv4 tabanlı bir kusur tespit sistemi geliştirilmiştir. Önerilen bu kusur tespit sistemi geliştirilirken literatürdeki uygulamaların aksine tüm görüntülerin elle etiketlendiği bir tam denetimli öğrenme yöntemi yerine yarı denetimli öğrenci-öğretmen modeli geliştirilmiş ve görüntülerin otomatik olarak etiketlenmesi sağlanmıştır. Bu yöntem, etiketleme sürecindeki insan müdahalesini azaltarak yüksek maliyetlerin düşürülmesini sağlamış, sözde etiketleme yöntemi ile genişletilen veri kümesi sayesinde de arıza tespit modelinin mAP değeri; %87.94'ten %94.15'e, F1-Skor değeri de 0.83'ten 0.91'e arttırılmıştır. Tez kapsamındaki diğer bir çalışma ise demiryolu bağlantı elemanları özelinde yapılmıştır. Bu çalışmada aktivasyon fonksiyonu seçiminin arıza tespit modelinin başarımı üzerine etkisi incelenmiş ve leaky, swish, x-swish ve mish fonksiyonlarının performansları kıyaslanmıştır. Yapılan optimizasyon çalışmaları sonucunda, TCDD'den alınan veri kümesinin elde edildiği yöntemle karşılaştırıldığında, Gerçek Pozitif (TP) sayısı artırılmış ve Yanlış Pozitif (FP) sayısı azaltılmıştır. Son çalışmada ise demiryolu arızaların daha yüksek oranda tespiti için dinamik alfa parametreli odaklanmış kayıp (focal loss) fonksiyonu geliştirilmiştir. Böylece demiryolu arızalarında daha kritik öneme sahip arıza sınıfının tespitine ağırlık verilmiş ve bu sınıftaki arıza teşhis başarımı arttırılmıştır. Deney sonuçları, önerilen yöntemlerin mevcut yöntemlere göre daha yüksek doğruluk ve verimlilik sağladığını göstermektedir.