Zastosowanie sieci neuronowych w wizyjnej automatycznej identyfikacji uszkodzeń podkładów kolejowych

• Autorzy: Bojarczak P. , Lesiak P.

Warianty tytułu

EN

Application of neural networks into automatic visual diagnostic of railway wooden sleepers

• Języki publikacji: EN

Abstrakty

EN

The paper presents the system composing of neural network and image processing procedures being able to classify wooden sleepers on the basis of their image. Image processing procedures extract salient features of sleeper that are further used by neural network in classification process. The system performance was checked on 100 images of good sleeper and 100 images of bad sleeper. System classification rate was equal to 84% for images not taking part in learning process, and 95% for images taking part in learning process.

PL

W artykule przedstawiono system składający się z sieci neuronowej oraz procedur obróbki obrazów pozwalający na diagnostykę drewnianych podkładów kolejowych na podstawie ich obrazów. Procedury obróbki obrazów wydobywają najistotniejsze cechy podkładów na podstawie których przeprowadzana jest ich klasyfikacja przez sieć neuronową. Poprawność działania systemu została przetestowana na 100 obrazach nieuszkodzonych podkładów oraz 100 obrazach podkładów uszkodzonych. System prawidłowo sklasyfikował 84% obrazów niebiorących udziału w procesie uczenia oraz 95% obrazów biorących udział w procesie uczenia.

Słowa kluczowe

EN

railway wooden sleepers; image processing; classification process

PL

drewniane podkłady kolejowe; przetwarzanie obrazów; klasyfikatory

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2010
• Tom: nr 4
• Strony: CD--CD
• Opis fizyczny: -pełny tekst, Bibliogr. 15 poz., rys.

Twórcy

autor

Bojarczak P.

autor

Lesiak P.

• Technical University of Radom

Bibliografia

• 1. Bishop C.M.: Neural networks for pattern recognition, Clarendon press- Oxford, 1997.
• 2. Bojarczak P., Lesiak P.: Preprocesing w diagnostyce wizyjnej podkładów kolejowych. TRANSCOMP 2009. Logistyka 6/2009 (płyta CD).
• 3. Bovik A.: Handbook of Image and Video Processing, Academic Press, San Diego USA, 2000.
• 4. Canny J.: A computation approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, (8) (679-698), 1986.
• 5. Choraś R.S.: Komputerowa wizja. Metody interpretacji i identyfikacji obiektów. EXIT, Warszawa 2005.
• 6. Gonzalez A., Woods J.: Digital image processing. Adddison-Wesley, 2003.
• 7. Gutta G.: Maschine Vision for the automatic classification of image acquired from non destructive tests. Dalarna University College, Departament of Computer Engineering, Sweden 2007.
• 8. Haykin S.: Neural networks a compresive foundation. Pretince Hall, 1999.
• 9. Kohonen T.: Self-Organizing Maps. Springer, 1997.
• 10. Malina W., Smiatacz M.: Cyfrowe przetwarzanie obrazów. EXIT, Warszawa 2008.
• 11. Mitchell T.M.: Machine learning. McGraw-Hill, 1997.
• 12. 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) (549-553) , 2005.
• 13. Surhone L.M., Timpledon M.T., Susan F. Marseken S.F.: Pruning (algorithm). Betascript Publishers, January 2010.
• 14. Warunki techniczne utrzymania nawierzchni na liniach kolejowych Id-1 (D-1). PKP PLK S.A., Warszawa 2005.
• 15. Yella S., Dougherty M., Gupta N.K.: Condition monitoring of wooden railway sleepers. Transportation Research Part C Elsevier (17) (38-55), 2009.