Yenilikçi derin öğrenme yöntemleri ile ray ve çevresinin anlamlandırılarak kusur tespit algoritmalarının geliştirilmesi

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.