Zastosowanie hybrydowej sieci neuronowej do klasyfikacji uszkodzeń drewnianych podkładów kolejowych

• Autorzy: Bojarczak P. , Lesiak P.

Warianty tytułu

EN

Application of hybrid network into classification of cracks in railway wooden sleepers

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono system pozwalający na automatyczne diagnozowanie drewnianych podkładów kolejowych na podstawie ich obrazów wizyjnych. System ten składa się z algorytmów cyfrowego przetwarzania obrazów oraz z hybrydowej sieci neuronowej. Celem algorytmów przetwarzania obrazów jest wyodrębnienie najistotniejszych cech podkładów drewnianych, czyli długości i szerokości pęknięć, które zastosowano w klasyfikatorze neuronowym. Wykorzystano tu hybrydową sieć składającą się z kaskadowo połączonych sieci Kohonena oraz sieci MLP ang. Multi-layer Perceptron. W procesie uczenia systemu użyto 100 zdjęć podkładów dobrych oraz 100 zdjęć podkładów uszkodzonych. Błąd klasyfikacji systemu wynosił 16% dla zbioru obrazów podkładów nie biorących udziału w procesie uczenia i 5% dla zbioru obrazów uczestniczących w uczeniu.

EN

The paper presents the system allowing for automatic diagnostic of railway wooden sleepers on the basis of their images. This system consists of digital image processing algorithms and hybrid network. Digital image processing algorithms extract from wooden sleeper’s images, the most salient features – the length and the width of the largest crack as well as the number of cracks. These features are given to the classifier - hybrid network. Presented hybrid network consists of two serially connected networks: Kohonen and MLP (Multi-layer Perceptron). During teaching process 100 images of sleepers with good state and 100 images of sleepers with poor state took part. Classification error was equal to 16% and 5% for images not taking part and taking part in teaching process respectively.

Słowa kluczowe

PL

drewniane podkłady kolejowe; przetwarzanie obrazów; klasyfikatory neuronowe

EN

railway wooden sleepers; digital image processing; neural classifiers

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Transport
• Rocznik: 2011
• Tom: z. 78
• Strony: 23--36
• Opis fizyczny: Bibliogr. 25 poz., rys., wykr.

Twórcy

autor

Bojarczak P.

• Politechnika Radomska Wydział Transportu i Elektrotechniki

autor

Lesiak P.

• Politechnika Radomska Wydział Transportu i Elektrotechniki

Bibliografia

• 1. Auglar.J, Lope.M, Torres F, Blesa A.: Development of a stereo vision system for non-contact railway concrete sleepers measurement based in holographic optical elements, Measurement, 22 June 2005, Elsevier.
• 2. Bałuch M.: Interpretacja pomiarów i obserwacji nawierzchni kolejowej. Monografia nr 79, Wyd. Politechniki Radomskiej, Radom 2005.
• 3. Bishop C.M.: Neural networks for pattern recognition, Clarendon press- Oxford, 1997.
• 4. Bojarczak P., Lesiak P.: Preprocesing w diagnostyce wizyjnej podk adów kolejowych. TRANSCOMP 2009. Logistyka 6/2009 (płyta CD).
• 5. Bojarczak P., Lesiak P.: Application of neural networks into automatic visual diagnostic of railway wooden sleepers. Międzynarodowa Konferencja Naukowa Transport XXI wieku, Białowieża 2010. Logistyka 4/2010 (płyta CD).
• 6. Bovik A.: Handbook of Image and Video Processing, Academic Press, San Diego USA, 2000.
• 7. Canny J.: A computation approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, (8), 1986, pp. 679 – 698.
• 8. Choraś R.S.: Komputerowa wizja. Metody interpretacji i identyfikacji obiektów. EXIT, Warszawa 2005.
• 9. Federal Railroad Administration, Office of Safety Analysis. ‘Train Accidents by Type and Major Cause from Form: FRA F 6180.54. Jan.-Dec, 2004’, April 6, 2005.
• 10. Ghita O., Carew T., Whelan P.: A vision-based system for inspecting painted slates. Sensor Review 26/2, 2006, pp. 108-115.
• 11. Gonzalez A., Woods J.: Digital image processing. Adddison-Wesley, 2003.
• 12. Gutta G.: Maschine Vision for the Automatic Classification of Image acquired from Non Destructive tests. Dalarna University College, Departament of Computer Engineering, Sweden 2007.
• 13. Haykin S.: Neural networks a compresive foundation. Pretince Hall, 1999.
• 14. Kauppinen H.: Development of a color machine vision method for wood surface inspection, Department of Electrical Engineering and Infotech Oulu, 1999, Finland.
• 15. Kohonen T.: Self-Organizing Maps. Springer, 1997.
• 16. Lesiak P.: Vehicle gauge measurement systems. Logitrans 2007. Logistyka 3/2007 (p yta CD).
• 17. Lesiak P.: Diagnostic technology of contact-stress flaws such as head checking in railway rails. Monograph No 121, Technical University of Radom, 2008, pp. 187 – 198.
• 18. 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.
• 19. 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 Computer and information Science 104, Springer 2010, pp. 327 - 334.
• 20. Malina W., Smiatacz M.: Cyfrowe przetwarzanie obrazów. EXIT, Warszawa 2008.
• 21. Mitchell T.M.: Machine learning. McGraw-Hill, 1997.
• 22. Niemisto A., Dunmire V., Yli-Harja O., Wei Zhang, Shmulevich I.: Robust Quantification of in Vitro Angiogenesis Through Image Analysis. IEEE Transactions on Medical Imaging, (4), 2005, pp. 549-553.
• 23. Surhone L.M., Timpledon M.T., Susan F. Marseken S.F.: Pruning (algorithm). Betascript Publishers, January 2010.
• 24. Warunki techniczne utrzymania nawierzchni na liniach kolejowych Id-1 (D-1). PKP PLK S.A., Warszawa 2005.
• 25. Yella S., Dougherty M., Gupta N.K.: Condition monitoring of wooden railway sleepers. Transportation Research Part C Elsevier (17), 2009, pp. 38 – 55.