Algorytmy preprocesingu badań wizyjnych uszkodzeń betonowych podkładów kolejowych

• Autorzy: Lesiak P. , Sokołowski A.
• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono algorytmy preprocesingu wizyjnej metody wykrywania uszkodzeń betonowych podkładów ko-lejowych. Algorytmy te obejmują pozyskiwanie obrazów powierzchni podkładów, selekcję zarejestrowanych klatek zdjęć i przekształcanie za pomocą algorytmu Kanana i Cotrella obrazu kolorowego w monochromatyczny, w celu uzyskania jak największego kontrastu. Prostym sposobem jest segmentacja obrazów uszkodzeń podkładów przez progowanie, w celu ich binaryzacji, jednak wskazane są bardziej rozbudowane algorytmy. Następnie dokonuje się odszumiania obrazów z wykorzystaniem filtru medianowego i w dalszej kolejności wykonuje się operacje morfologiczne do ekstrakcji krawędzi uszkodzeń. Ponadto, wykorzystuje się obrazy tekstur powierzchni podkładów, usuwając je z treści wizyjnej. Jako kryterium wyboru algorytmu preprocesingu, przyjęto kształt histogramu obrazu i jego odchylenie standardowe. Tak przygotowane obrazy są podstawą dalszej oceny wielkości uszkodzeń (pęknięć i ubytków) oraz klasyfikacji podkładów betonowych.

Słowa kluczowe

PL

tor kolejowy; podkład betonowy; algorytm przetwarzania obrazów

• Wydawca: Instytut Kolejnictwa
• Czasopismo: Problemy Kolejnictwa
• Rocznik: 2018
• Tom: Z. 180
• Strony: 21--27
• Opis fizyczny: Bibliogr. 21 poz., rys.

Twórcy

autor

Lesiak P.

• Wyższa Szkoła Ekonomii i Innowacji w Lublinie, Wydział Transportu i Informatyki, Lublin

autor

Sokołowski A.

• Politechnika Rzeszowska, Wydział Zarządzania

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 38, 22 June 2005, Elsevier, s. 154-165.
• 2. Bojarczak P., Lesiak P.: Preprocesing w diagnostyce wizyjnej podkładów kolejowych, TransComp 2009, Logistyka 6/2009 (CD), s. 10.
• 3. 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 (CD), s. 10.
• 4. Bojarczak P., Lesiak P.: Zastosowanie hybrydowej sieci neuronowej do klasyfikacji uszkodzeń drewnianych podkładów kolejowych, Prace Naukowe, Transport, z. 78, Politechnika Warszawska, Warszawa 2011, s. 23–36.
• 5. Clark A., Kaewunruen S., Janeliukstis R. and Papaelias M.: Damage detection in railway prestressed concrete sleepers using acoustic emission, IMST 2017. IOP Conf. Series: Materials Science and Engineering 251, 012068, 2017 [online] http://iopscience.iop.org/article/10.1088/1757-899X/251/1/012068/pdf [dostęp 1 września 2018].
• 6. Delforouzi A., Tabatabaei A.H., Khan M.H., Grzegorzek M.A.: Vision-Based method for automatic crack detection in railway sleepers, W: Kurzynski M., Wozniak M., Burduk R. (eds), Proceedings of the 10th International Conference on Computer Recognition Systems CORES 2017, Advances in Intelligent Systems and Computing, Vol. 578. Springer, Cham 2018, s. 130139.
• 7. Federal Railroad Administration, Offi ce of Safety Analysis. Train Accidents by Type and Major Cause from Form: FRA F 6180.54. Jan.-Dec, 2004, April 6, 2005.
• 8. Ferdous W., Manalo A.: Failures of mainline railway sleepers and suggested remedies – review of current practice, Engineering Failure Analysis, V ol. 44, 2014, s. 17-35.
• 9. Ferdous W., Manalo A., Aravinthan T., Remennikov A.: Review of failures of railway sleepers and its consequences. Proceedings of the fi rst International Conference on Infrastructure Failures and Consequences 16-20 July 2014, RMIT University Melbourne, s. 398-407.
• 10. Grassie S.L., Cox S.J.: The dynamic response of railway track with unsupported sleepers, Proceedings of the Institution of Mechanical Engineers, Vol. 199, Part D, No. 2, 1985, s. 123-135.
• 11. Id-1: Warunki techniczne utrzymania nawierzchni na liniach kolejowych, PKP PLK S.A., Warszawa 2005.
• 12. Id-101: Warunki techniczne wykonania i odbioru podkładów i podrozjazdnic strunobetonowych, PKP PLK S.A., Warszawa 2010.
• 13. Jokūbaitis A., Valivonis J., Marčiukaitis G.: Analysis of strain state and cracking of concrete sleepers, Journal of Civil Engineering and Management, Vol. 22, 2016, s. 564-572.
• 14. Kanan G., Cottr ell G.W.: Color-to-greyscale: does the method matter in image recognition? PLoS ONE. Vol. 7, No 1, e29740, 2012, s. 7-10, [online] http:/ /journals.plos.org/plosone/article?id=10.1371/ journal.pone.0029740 [dostęp 1 wrze śnia 2018].
• 15. Kumar T., Verma K. : Th e theory based on conversion of RGB image to gray image, International Journal of Computer Applications, Vol. 7, No. 2, 2010, s. 7-10.
• 16. Lesiak P., Bojarcz ak P.: Przetwarzanie i analiza obrazów w wybranych badaniach defektoskopowych, Monografi czna seria wydawnicza, Biblioteka Problemów Eksploatacji, Wydawnictwo Naukowe Instytutu Technologii Eksploatacji – PIB, Radom 2012, s. 185.
• 17. Ramesh S., Chavan S., Kankani J. et.al.: Crack detection in concrete railway sleeper, International Journal of Computer Sciences and Engineering, Vol. 04, Issue 02, 2016, s. 142–144.
• 18. Rezaie F., Farnam S.M.: Fr acture mechanics analysis of pre-stressed concrete sleepers via investigating crack initiation length, Engineering Failure Analysis, 58, Part 1, 2015, s. 267-280.
• 19. Zakeri J.-A., Rezvani F.H.: Failures of railway concrete sleepers during service life, International Journal of Construction Engineering and Management 2012, 1(1), s. 1-5.
• 20. Zi G., Moon D.Y., Lee S.-J. et .al.: Investigation of a concrete railway sleeper failed by ice expansion, Engineering Failure Analysis, 26, 2012, s. 151163.
• 21. You R., Li D., Ngamkhanong C., Janeliukstis R., Kaewunruen S.: Fatigue life assessment method for prestressed concrete sleepers, Frontiers in Built Environment, 15 Nov. 2017, [online] https://www.frontiersin.org/articles/10.3389/fb uil.2017.00068/full [dostęp: 1 września 2018].