maisМоделирование и анализ информационных системModeling and Analysis of Information Systems1818-10152313-5417Yaroslavl State University10.18255/1818-1015-2020-3-316-329mais-1351Research ArticleComputing Methodologies and ApplicationsПрименение свёрточных нейронных сетей для распознавания длинных конструктивных элементов рельсов на вихретоковых дефектограммахApplication of Convolutional Neural Networks for Recognizing Long Structural Elements of Rails in Eddy-Current Defectogramshttps://orcid.org/0000-0003-0500-306XКузьминЕгор ВладимировичKuzminEgor V.

Профессор, доктор физико-математических наук.

Ул. Советская, 14, г. Ярославль, 150003

Professor, Doctor of Science.

14 Sovetskaya str., Yaroslavl 150003

kuzmin@uniyar.ac.ruhttps://orcid.org/0000-0001-6274-9971ГорбуновОлег ЕвгеньевичGorbunovOleg E.

Генеральный директор, кандидат физико-математических наук.

Ул. Союзная, 144, Ярославль, 150008

General Director, PhD.

144 Soyuznaya str., Yaroslavl, 150008

gorbunovoe@nddlab.comhttps://orcid.org/0000-0001-5687-7969ПлотниковПетр ОлеговичPlotnikovPetr O.

Инженер-технолог.

Ул. Союзная, 144, Ярославль, 150008

Production Engineer.

144 Soyuznaya str., Yaroslavl, 150008

plotnikovpo@nddlab.comhttps://orcid.org/0000-0001-9149-7435ТюкинВадим АлександровичTyukinVadim A.

Руководитель сектора разработки.

Ул. Союзная, 144, Ярославль, 150008

Head of Software Development.

144 Soyuznaya str., Yaroslavl, 150008

tyukinva@nddlab.comhttps://orcid.org/0000-0002-2534-1026БашкинВладимир АнатольевичBashkinVladimir A.

Профессор, доктор физико-математических наук.

Ул. Советская, 14, г. Ярославль, 150003

Professor, Doctor of Science.

14 Sovetskaya str., Yaroslavl 150003

bashkinva@nddlab.comЯрославский государственный университет им. П.Г. ДемидоваРоссияP.G. Demidov Yaroslavl State UniversityRussian FederationЦентр инновационного программирования ООО, NDDLabРоссияCenter of Innovative Programming, NDDLabRussian Federation202020092020273316329Copyright © Кузьмин Е.В., Горбунов О.Е., Плотников П.О., Тюкин В.А., Башкин В.А., 20202020Кузьмин Е.В., Горбунов О.Е., Плотников П.О., Тюкин В.А., Башкин В.А.Kuzmin E.V., Gorbunov O.E., Plotnikov P.O., Tyukin V.A., Bashkin V.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.mais-journal.ru/jour/article/view/1351

Для обеспечения безопасности движения на железнодорожном транспорте регулярно проводится неразрушающий контроль рельсов с применением различных подходов и методов, включая методы вихретоковой дефектоскопии. Актуальной задачей является автоматический анализ больших массивов данных (дефектограмм), которые поступают от соответствующего оборудования. Под анализом понимается процесс определения по дефектограммам наличия дефектных участков наряду с выявлением конструктивных элементов рельсового пути. Данная статья посвящена задаче распознавания образов длинных конструктивных элементов железнодорожных рельсов по дефектограммам многоканальных вихретоковых дефектоскопов. Рассматриваются два класса конструктивных элементов рельсового пути: 1) счётчики осей подвижного состава, 2) пересечения рельсовых путей. Длинные отметки, которые не могут быть отнесены к этим двум классам, условно считаются дефектами и выносятся в отдельный третий класс. Для распознавания образов конструктивных элементов на дефектограммах применяется свёрточная нейронная сеть, реализованная в рамках открытой библиотеки TensorFlow. С этой целью каждая выделенная для анализа область дефектограммы преобразуется в графический образ в градации серого цвета размером 30 на 140 точек.

To ensure traffic safety of railway transport, non-destructive test of rails is regularly carried out by using various approaches and methods, including eddy-current flaw detection methods. An automatic analysis of large data sets (defectograms) that come from the corresponding equipment is an actual problem. The analysis means a process of determining the presence of defective sections along with identifying structural elements of railway tracks in defectograms. This article is devoted to the problem of recognizing images of long structural elements of rails in eddy-current defectograms. Two classes of rail track structural elements are considered: 1) rolling stock axle counters, 2) rail crossings. Long marks that cannot be assigned to these two classes are conditionally considered as defects and are placed in a separate third class. For image recognition of structural elements in defectograms a convolutional neural network is applied. The neural network is implemented by using the open library TensorFlow. To this purpose each selected (picked out) area of a defectogram is converted into a graphic image in a grayscale with size of 30 x 140 points.

неразрушающий контроль рельсоввихретоковая дефектоскопияобнаружение дефектовавтоматический анализ дефектограммнейронные сетиnondestructive testingeddy-current testingrail flaw detectionautomated analysis of defectogramsneural networksReferencesA. A. Markov and E. A. Kuznetsova, Rails flaw detection. Formation and analysis of signals. Book 1. Principles. St. Petersburg: KultInformPress, 2010.A. A. Markov and E. A. Kuznetsova, Rails flaw detection. Formation and analysis of signals. Book 1. Principles. St. Petersburg: KultInformPress, 2010.A. A. Markov and E. A. Kuznetsova, Rails flaw detection. Formation and analysis ofsignals. Book 2. Data interpretation. St. Petersburg: Ultra Print, 2014.A. A. Markov and E. A. Kuznetsova, Rails flaw detection. Formation and analysis ofsignals. Book 2. Data interpretation. St. Petersburg: Ultra Print, 2014.V. F. Tarabrin, A. V. Zverev, O. E. Gorbunov, and E. V. Kuzmin, “About Data Filtration of the Defectogram Automatic Interpretation by Hardware and Software Complex ASTRA”, NDT World, vol. 64, no. 2, pp. 5-9, 2014.V. F. Tarabrin, A. V. Zverev, O. E. Gorbunov, and E. V. Kuzmin, “About Data Filtration of the Defectogram Automatic Interpretation by Hardware and Software Complex ASTRA”, NDT World, vol. 64, no. 2, pp. 5-9, 2014.E. V. Kuzmin, O. E. Gorbunov, P. O. Plotnikov, V. A. Tyukin, and V. A. Bashkin, “Application of Neural Networks for Recognizing Rail Structural Elements in Magnetic and Eddy Current Defectograms”, Automatic Control and Computer Sciences, vol. 53, no. 7, pp. 628-637, 2019.E. V. Kuzmin, O. E. Gorbunov, P. O. Plotnikov, V. A. Tyukin, and V. A. Bashkin, “Application of Neural Networks for Recognizing Rail Structural Elements in Magnetic and Eddy Current Defectograms”, Automatic Control and Computer Sciences, vol. 53, no. 7, pp. 628-637, 2019.E. V. Kuzmin, O. E. Gorbunov, P. O. Plotnikov, and V. A. Tyukin, “An Efficient Algorithm for Finding the Level of Useful Signals on Interpretation of Magnetic and Eddy Current Defectograms”, Automatic Control and Computer Sciences, vol. 52, no. 7, pp. 867-870, 2018.E. V. Kuzmin, O. E. Gorbunov, P. O. Plotnikov, and V. A. Tyukin, “An Efficient Algorithm for Finding the Level of Useful Signals on Interpretation of Magnetic and Eddy Current Defectograms”, Automatic Control and Computer Sciences, vol. 52, no. 7, pp. 867-870, 2018.E. V. Kuzmin, O. E. Gorbunov, P. O. Plotnikov, and V. A. Tyukin, “Finding the Level of Useful Signals on Interpretation of Magnetic and Eddy-Current Defectograms”, Automatic Control and ComputerSciences, vol. 52, no. 7, pp. 658-666, 2018.E. V. Kuzmin, O. E. Gorbunov, P. O. Plotnikov, and V. A. Tyukin, “Finding the Level of Useful Signals on Interpretation of Magnetic and Eddy-Current Defectograms”, Automatic Control and ComputerSciences, vol. 52, no. 7, pp. 658-666, 2018.I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016.I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016.F. Chollet, Deep Learning with Python. Manning Publications Co., 2018.F. Chollet, Deep Learning with Python. Manning Publications Co., 2018.TensorFlow. [Online]. Available: https://www.tensorflow.org/.TensorFlow. [Online]. Available: https://www.tensorflow.org/.

The authors declare that there are no conflicts of interest present.