Дата поступления: 
01.02.2019
Год: 
2019
Номер журнала (Том): 
УДК: 
004.932
DOI: 

10.26731/2658-3704.2019.1(2).82-95

Файл статьи: 
Страницы: 
82
95
Аннотация: 

В статье рассматриваются один из подходов к решению задачи автоматизированного обнаружения дефектов верхнего строения железнодорожного пути на основе методов обработки изображений. Вся задача разбивается на ряд последовательных подзадач: предобработка изображений, обнаружение рельсовых дефектов, поиск рельсовых скреплений, выявление скреплений, подозрительных на дефект. Для предобработки использовался подход, основанный на использовании матричных фильтров для операции свёртки. Решение задачи поиска рельсовых дефектов выполнялось на основе алгоритма поиска областей, отличных от заданного цвета внутри заданной прямоугольной области. Рельсовые скрепления выявлялись на основе адаптированного к особенностям предметной области алгоритма сопоставления по шаблону. Ввиду разнообразия дефектов было принято решение разделять изображения на два класса: с дефектами и без с последующей передачей изображений, подозрительных на дефект для ручной обработки. Для этого изображения делятся на четыре группы:

- промахи; на таких изображениях скреплений либо нет совсем, либо они не полностью попали в ракурс ввиду неточностей алгоритма поиска скреплений;

- реальные дефекты; на таких изображениях скрепления либо отсутствуют ввиду неисправности, либо присутствует иная поломка;

- идеальные скрепления; здесь изображениях скрепления не содержат дефектов и полностью видны;

- прочее; на таких изображениях присутствуют белые пятна, мусор, скрепления могут быть засыпаны камнями, закрыты иными объектами и другое.

Все неидеальные изображения считаются подозрительными на дефект. Для их разделения с идеальными использовалась сверточная нейронная сеть. Обсуждаются вопросы обучения такой сети.

Список цитируемой литературы: 
  1. LeCun, Y. Convolutional Networks for Images, Speech, and Time-Series, in Arbib / LeCun, Y. Bengio ; MIT Press, 1995 – 14с.
  2. Simard, P.Y. Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis / P.Y. Simard, D. Steinkraus, J. Platt // International Conference on Document Analysis and Recognition (ICDAR), IEEE Computer Society. – Los Alamitos. – 2003. – P. 958-962.
  3. Kozin, N.E. Gradual learning the radial neural networks / N.E. Kozin, V.A. Fursov // Computer Optics. – 2004. – № 26. – P. 138-141.
  4. LeCun, Y. Gradient Based Learning Applied to Document Recognition / Y. LeCun, L. Bottou, P. Haffner – IEEE Press, 1998. – P. 46.
  5. 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.
  6. Колмогорцев М.Г. Осипова В.Э. Разработка модели определения межпоездных интервалов с использованием аппарата искусственных нейронных сетей // Известия Транссиба. Т4(28), 2016. – С. 87-93.
  7. Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений. – Санкт-Петербург: Изд-во СПБГУ ИТМО, 2008. – 281с.
  8. 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/
  9. Jahne B. Digital image processing. 6th ed. Springer, 2005. – 639 c.
  10. Hall, E. L. Computer Image Processing and Recognition, Academic Press, New York, 1979. – 811c.
  11. Белоглазов И.Н., Тарасенко В.П. Корреляционно-экстремальные системы. Советское радио, 1974. 392 с.
  12. Борисов Е.С. О методах обучения многослойных нейронных сетей прямого распространения – http://mechanoid.kiev.ua/neural-net-backprop2.html (дата обращения 05.11.2018)
  13. Adam: A method for stochastic optimization – https://arxiv.org/abs/1412.6980 (Дата обращения 05.11.2018)