تشخيص عيوب خط ريل مبتني بر شبكه يادگيري عميق

كارشناسي ارشد

غفلت از ايرادات و خرابي‌هاي خطوط راه‌آهن مي‌تواند منجر به كاهش ايمني، افزايش هزينه‌ها، اتلاف وقت در تعميرات و افزايش زمان سير و بهره‌برداري از خط آهن شود. به دليل استفاده مكرر از خطوط راه‌آهن، حتي خرابي‌هاي كوچك مي‌تواند منجر به حوادث جدي شود. لذا خطوط ريلي نيازمند بازرسي و نگهداري منظم مي‌باشد. براي تحقق اين هدف، بازرسي و شناسايي ايرادات مانند شكست‌، ترك‌ و ساير خرابي‌هاي ريل و اجزاي ديگر خط به ويژه آنهايي كه ممكن است منجر به خروج قطار از ريل شوند، نيازمند سيستمي است كه در كمترين زمان، خرابي‌ها را تشخيص دهد. هدف اين تحقيق، ارائه روش تشخيص عيوب خط ريل مبتني بر شبكه يادگيري عميق مي‌باشد. براي اين منظور، با تصويربرداري از خط آهن با دوربين تلفن همراه، پيش پردازش تصاوير و آموزش در سيستم هوش مصنوعي، عيوب ريل استخراج مي‌گردد. در اين پژوهش، از دو نسخه n و s مدل YOLOv8 استفاده مي‌شود. در اين راستا، تعداد 1385 داده از ريل مربوط به سه ايستگاه راه‌آهن اصفهان كه شامل ايستگاه سيلو، ايرانكو و دپو با مسافتي حدود 4/4 كيلومتر، تهيه مي‌شود. در اين پژوهش از نرم‌افزارهاي CVAT، Python، Colab به ترتيب براي برچسب زدن قسمت‌هاي معيوب در تصوير براي آموزش مدل و سپس كدنويسي براي پيش پردازش تصاويردر پايتون و سپس اجراي توابع در محيط برنامه نويسي Colab استفاده مي‌شود. پيش پردازش تصاوير شامل نرمال سازي تصاوير، تغيير ابعاد تصوير به حالت قابل استفاده در مدل و افزايش و يا خاكستري كردن تصاوير به جهت سبك شدن پردازش مدل است. پس از پيش پردازش تصوير و آموزش مدل، تعدادي از تصاوير جديد كه مدل با آن آشنايي نداشته، براي ارزيابي مدل به آن داده مي‌شود. با توجه به نتايج بدست آمده، زمان اجراي هر تصوير در مدل YOLOv8n حدود 65 ميلي ثانيه و زمان اجرا هر تصوير در مدل YOLOv8s در حدود 120 ميلي ثانيه بوده است. با مقايسه زمان اجراي هر دو مدل مشخص مي‌گردد كه زمان اجراي مدل YOLOv8s تقريباً 84/1 برابر مدل YOLOv8n مي‌باشد و در بخش ارزيابي، تشخيص صحيح مدل YOLOv8n برابر 87 درصد و تشخيص صحيح مدل YOLOv8s برابر 86 درصد مي‌باشد.

230943

دانشگاه اصفهان

مهندسي خطوط راه آهن

هم , محمدعماد مطيعيان نجار