Kwalifikacja zapisów B-scan z ultradźwiękowej badania szyn kolejowych za pomocą modelu wytrenowanego w trybie głębokiego uczenia

• Autorzy: Gołąbek Piotr , Madej Ludwik

Identyfikatory

DOI

10.15199/48.2019.12.24

Warianty tytułu

EN

Automatic qualification of B-scan traces of ultrasound railway diagnostic measurements by means of a deep learning model

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia konstrukcję, trening i wykorzystanie adaptacyjnego modelu klasyfikacyjnego do eliminacji pozornych wad z zapisów badań ultradźwiękowych szyn kolejowych. Model został zbudowany na bazie wieloletniego archiwum nieprzetworzonych wyników pomiarów diagnostycznych szyn, wzbogaconych o werdykty kwalifikacyjne doświadczonych analityków. Model w postaci wielowarstwowej rekurencyjnej sieci neuronowej wykazuje sprawność kwalifikacyjną porównywalną z wynikami analityków.

EN

The paper presents construction, training and application of a classification model for elimination of false defects in the diagnostic ultrasound railway testing results. The model has been built based on measurement data collected for many years. Raw measurement results appended with classification by experienced personnel are used for model training. The resulting system reveals classification accuracy no worse than human verdict.

Słowa kluczowe

PL

badanie nieniszczące; metoda ultradźwiękowa; diagnostyka szyn kolejowych; uczenie głębokie

EN

non-destructive testing; ultrasound; railway diagnostic; deep learning

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2019
• Tom: R. 95, nr 12
• Strony: 117--120
• Opis fizyczny: Bibliogr. 9 poz., rys., tab.

Twórcy

autor

Gołąbek Piotr

• Wyższa Szkoła Ekonomii i Innowacji w Lublinie, Wydział Transportu i Informatyki, ul. Projektowa 4, 20-209 Lublin

autor

Madej Ludwik

• Centrum Diagnostyki PKP PLK S.A., ul. Chodakowska 63, 03-816 Warszawa

Bibliografia

• [1] Duda R., Hart P., Stork D., Pattern Classification, Wiley Interscience, 2000
• [2] Beyerer J., Richter M., Nagel M., Pattern Recognition, Walter De Gruyter, Berlin 2018
• [3] Charu C. A., Data Classification, CRC Press 2015
• [4] Zhang G. P., Neural Networks for Classification, IEEE Trans. on Systems, Man and Cybernetics, 30 (2000), n. 4, 451-461
• [5] Lipton C. Z., A Critical Review of Recurrent Neural Networks for Sequence Learning, ArXiv, vol. 1506.00019 (2015)
• [6] Hochreiter S., Schmidthuber J., Long Short-Term Memory, Neural Computation 9(8) (1997), 1735-1780
• [7] Schuster M., Kuldip K. P., Bidirectional Recurrent Neural Networks, IEEE Trans. On Signal Processing 45 (1997), n.11, 2673-2681
• [8] Ramsundar B., Zadeh R. B., Bharath R., TensorFlow for Deep Learning, O’Reilly Media Inc. (2018)
• [9] Gulli A., Pal S., Deep learning with Keras, Packt Publishing (2017)

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019)