Wybrane zagadnienia diagnostyki wizyjnej toru kolejowego

• Autorzy: Bojarczak P. , Lesiak P.

Warianty tytułu

EN

Chosen issues of the visional diagnostics of the railway tracks

• Języki publikacji: PL

Abstrakty

PL

Znaczący rozwój technologii wizyjnych, obejmujący zarówno sprzęt (kamery, serwery), jak również algorytmy obróbki i analizy obrazów, spowodował znaczące zwiększenie zainteresowania zastosowaniem tych technologii w diagnostyce toru kolejowego. Technologie wizyjne są szczególnie przydatne, a nawet niezbędne w przypadku detekcji wad powierzchniowych szyn. Zastosowanie w tym przypadku tradycyjnych metod diagnostycznych, bazujących na technice ultradźwiękowej, przynosi niedoskonałe rezultaty. Dlatego poszukuje się alternatywnych metod pozwalających na detekcje tego typu wad, czego przykładem może być metoda prądów wirowych, stosowana np. na kolejach niemieckich. Jednak jej praktyczne zastosowanie w systemach o znaczących prędkościach badania w trudnych warunkach, jakie panują na szlaku kolejowym, również powoduje określone ograniczenia. Stąd należy dążyć do zastosowania technologii w pełni bezkontaktowych, takich jak metody wizyjne.

Słowa kluczowe

PL

diagnostyka; tor kolejowy; wada; metoda wizyjna

EN

diagnostics; railway track; defect; visional diagnostics

• Wydawca: Instytut Naukowo-Wydawniczy "TTS" Sp. z o.o
• Czasopismo: TTS Technika Transportu Szynowego
• Rocznik: 2013
• Tom: R. 20, nr 2-3
• Strony: 65--70
• Opis fizyczny: Bibliogr. 27 poz., rys., fot.

Twórcy

autor

Bojarczak P.

• Wydział Transportu i Elektrotechniki Uniwersytetu Technologiczno-Humanistycznego im. Kazimierza Pułaskiego w Radomiu

autor

Lesiak P.

• Wydział Transportu i Elektrotechniki Uniwersytetu Technologiczno-Humanistycznego im. Kazimierza Pułaskiego w Radomiu

Bibliografia

• [1] Babenko P.: Visual Inspection of Railroad Tracks. Ph.D dissertation, University of Central Florida, Orlando USA 2009.
• [2] Bojarczak P., Lesiak P.: SVM based classification method of railway’s defects. Pomiary Automatyka Kontrola 12/2007, s. 15–17.
• [3] Bojarczak P., Lesiak P.: Application of neural networks into automatic visual diagnostic of railway wooden sleepers. Międzynarodowa Konfe¬rencja Naukowa Transport XXI w. Białowieża 2010. Logistyka 4/2010 (płyta CD).
• [4] Bojarczak P., Lesiak P.: Zastosowanie hybrydowej sieci neuronowej do klasyfikacji uszkodzeń drewnianych podkładów kolejowych. Prace Naukowe, Transport, z. 78, s. 23–36, Politechnika Warszawska. War¬szawa 2011.
• [5] Bojarczak P., Lesiak P.: Visual system diagnosing the state of elements fastening the rail to the sleepers. Pomiary Automatyka Kontrola 12/2011, s. 1605–1607.
• [6] Bojarczak P.: Application of Wavelet Transform into Precise Localization of Railway Rail Edges in Visual Diagnostic of Track. Archives of Transport, volume 24 issue 1, pp. 5–16. Warszawa 2012.
• [7] Byung-Gyu K., Jae-Ick S., Dong-Jo P.: Fast image segmentation based on multi-resolution analysis and wavelets. Pattern Recognition Letters, vol. 24, pp. 2995–3006, 2003.
• [8] Canny J.: A computation approach to edge detection. IEEE Trans PAMI vol. 8, pp. 679–698, 1986.
• [9] Daubechies I.: Ten lectures on wavelets. SIAM Press, 1988.
• [10] Haralick R.M., Shanmugam K., Dinstein I.: Textural features for image classification. IEEE Trans. on Systems, Man and Cybernetics, Vol. SMC-3, No 6, pp. 610–621, 1973.
• [11] Jain A. K., Dubuisson M-P.: Segmentation of X-Ray and C-Scan Images of Fiber Reinforced Composite Materials. Pattern Recognition, vol. 25, no. 3, pp. 257–270, 1992.
• [12] Kumar A., Pang G.K.H.: Defect detection in textured materials using Gabor filters. IEEE Transactions on Industry Applications, v.38, pp. 425–440, 2002.
• [13] Labarile A., Stella E., Ancona N., Distance A.: Ballast 3D Reconstruction by Matching Pursuit Based Stereo Matcher. IEEE Intelligent Ve¬hicles Symposium Parma, pp. 653–657. Italy, June 2004.
• [14] Lesiak P., Bojarczak P.: Application of wavelets and fuzzy sets to the detection of head-checking defects in railway rails. Transport Systems Telematics, 10th Conference, TST 2010. Communications in Compu¬ter and information Science 104, pp. 327–334. Springer 2010.
• [15] Lesiak P., Szumiata T.: Skaterometria laserowa wad head checking w szynach kolejowych. Pomiary Automatyka Komputery w Gospodarce i Ochronie Środowiska 2/2010, s. 25–28.
• [16] Lesiak P., Bojarczak P.: Przetwarzanie i analiza obrazów w wybranych badaniach defektoskopowych. Monograficzna seria wydawnicza Bi¬blioteka Problemów Eksploatacji. ITE Radom 2012, s. 185.
• [17] Lesiak P., Wlazło M.: Model optyczny skaterometrii laserowej wzorców wad powierzchniowych szyn kolejowych. Autobusy, Technika, Eksploatacja, Systemy Transportowe 3/2013 (płyta CD).
• [18] Mandriota C., Nitti M., Ancona A., Stella E., Distante A.: Filter base feature selection for rail defekt detection. Machine Vision and Applications, Springer-Verlag, pp. 179–185, 2004.
• [19] Mazzeo P., Nitti M., Stella E., Distante A.: Visual recognition of fastening bolts for railroad maintenance. Pattern Recognition Letters, vol 25, pp. 669–677, Elsevier 2004.
• [20] Yang J., Tao W., Liu M., Zhang Y., Zhang H., Zhao H.: An Efficient direction field-based method for detection of fasteners on high-speed railways. Sensors vol. 11, pp. 7364–7381, 2011.
• [21] Rao A.R., Jain R. C.: Computerized Flow Field Analysis: Oriented Texture Fields. IEEE Transaction on Pattern Analysis and Machine Intelligence, vol 14, No 7, pp. 693–709, July 1992.
• [22] Rubner Y., Tomasi C.: Perceptual Metrics for image database navigation. Kluwer Academic Publishers. Boston, 2000.
• [23] Saeys Y., Inza I., Larranaga P.: A review of feature selection techniques in bioinformatics. Bioinformatics Advance Access, vol. 23, pp. 2507–2517, 2007.
• [24] Scholkopf B., Smola A.: Learning with Kernels, Support Vector Machines, Regularization, Optimization and Beyond. MIT press, Cambridge, Massachusetts. London, England, 2002.
• [25] Yanowitz S. D., Bruckstein A.M.: A New Method for Image Segmentation. Journal of Computer Vision. Graphics and Image Processing, vol. 46, pp. 82–95, 1989.
• [26] Yella S., Dougherty M., Gupta N.K.: Condition monitoring of wooden railway sleppers. Transportation Research Part C, vol. 17, pp. 38–55, Elsevier 2009.
• [27] Yu L., Liu H.: Efficient feature selection via analysis of relevance and redundancy. Journal of Machine Learning Research, 5(Oct), pp.1205–1224, 2004.