Неисправности на железнодорожных путях являются причиной большинства железнодорожных происшествий. Своевременное нахождение дефектных скреплений решит огромную задачу о их поиске на большом километраже пути. В данной статье описывается одно из возможных решений быстрого нахождения сломанных рельсовых скреплений. Данный метод основан на искусственной нейронной сети на основе уже отснятых кадров рельсовых скреплений. В данном случае используется автоматизированный метод обнаружения неисправностей с использованием машинного обучения через искусственную нейронную сеть.
Ключевые слова: нейронная сеть, диагностика, распознование.
Камера будет снимать изображения железнодорожного пути, которые будут предоставлены в качестве входа в систему, состоящую из нейронной сети. Искусственная нейронная сеть будет обучаться на основе набора данных (созданного с нуля), и на основе этого обучения ИНС будет обеспечивать абсолютный результат.
На первом этапе создания такой системы идет сбор первичной информации. Кадры, которые мы получили с помощью камеры, снимавшей железнодорожный путь, на следующем этапе должны пройти этап сортировки дополнительной программой. От создаваемой структуры папок по типу скреплений мы будем в дальнейшем отталкиваться для обучения нейронной сети.
Рис. 1. Структура папок, перенесенных из папок создаваемой дополнительной программой
Каждый участок дороги содержит определенное количество скреплений. Например, на московском направлении находится наибольшее количество скреплений типа КБ. Это обусловлено многими факторами, так как через этот путь проходит огромный пассажиропоток. В приведенной Диаграмме 2 видно неравномерное распределение количества скреплений. Это обусловлено тем, что наибольшую протяженность составляет московская железная дорога (50км)
Рис. 2. Распределение количества сэмплов, собранных вручную
Вследствие такого неравномерного распределения скреплений приходится балансировать и выравнивать их количество с помощью дополнительного решения. Под балансировкой в данном случае понимается приведение к одинаковому количеству числа сэмплов в каждом из классов датасета. Особенность рассматриваемой предметной области заключается в том, что скрепления различных типов имеют различную распространенность. Для «качественного» обучения сети необходимо иметь равномерное распределение сэмплов по классам (это подтвердили наши эксперименты).
Для этого классы с недостаточным числом сэмплов были дополнены сэмплами, созданными техникой SMOTE. Кратко, данная техника заключается в том, что классы с недостаточным числом сэмплов дополняется сэмплами созданными следующим образом. Техника использует алгоритм k-ближайших соседей. Каждый новый созданный сэмпл содержит атрибуты (в нашей задаче это пикселы растрового изображения), значения которых вычислены интерполяций значений соответствующего атрибута у выбранных ближайших соседей.
Отбалансированный датасет можно увидеть на Рис. 3.
Рис. 3. Распределение количества сэмплов, после балансировки
Таблица 1
Примеры неудачных сэмплов, сформированных техникой SMOTE (удалялись вручную при верификации датасета)
|
|
Пример неудачно созданного сэмпла техникой SMOTE, так как на скрепление КБОП105 наложилось еще одно в другом месте, и в итоговом варианте это стало не КБОП105, а неизвестным скреплением. |
|
|
Наложение скрепления несколько раз друг на друга в разных местах изображения |
В процессе проведенных работ такие экземпляры выборки (примеры в таблице 1) удалялись вручную.
Таблица 2
Примеры удачных сэмплов, сформированных техникой SMOTE
|
|
Пример удачно созданного сэмпла техникой SMOTE. Искусственное добавление жгута на скрепление КБОП105 |
|
|
|
|
|
Добавление внешних факторов вокруг скрепления |
|
|
Удачное добавление к скреплению ДО2, болта накладки |
В общем случае чем большее число экземпляров содержит обучающая выборка, тем большая точность распознавания обученной на ней сети. С полученной после выполнения балансировки датасетом выполняется дополнение его путем создания новых сэмплов, полученных из существующих аффинными преобразованиями (вращением на произвольный градус (в диапазоне до 5 градусов), сдвигом на произвольную величину (в диапазоне 10 % от размера изображения))
Литература:
- Абрамов, Н. С. Применение искусственных нейронных сетей в задачах контроля и диагностики подсистем космических аппаратов/Н. С. Абрамов, В. Ф. Заднепровский, А. А. Талалаев, В. П. Фраленко //Современные проблемы науки и образования. — 2014. — № 3. — Режим доступа: http://www.science-education.ru/ru/article/view?id=13242 (дата обращения: 23.04.2020)
- Hykin, S. Neural networks. A Comprehensive Foundation. Second Edition /S. Hykin. — Prentice Hall, 1999. — 905 p.
- Orlov, S. P. Intelligent measuring system for testing and failure analysis of electronic devices/S. P. Orlov, A. N. Vasilchenko//2016 XIX IEEE International Conference on Soft Computing and Measurements. — 2016. V.1. — P.401–403.
- Girin, R. V. The use of neural networks for testing and failure analysis of electronic devices /R. V. Girin, S. P. Orlov// Proc. of the II International Scientific-Practical Conference “Fuzzy Technologies in the Industry (FTI 2018)”. — CEUR-WS.org/Vol — 2258/paper21. — 2018. — pp. 160–167.
