maisМоделирование и анализ информационных системModeling and Analysis of Information Systems1818-10152313-5417Yaroslavl State University10.18255/1818-1015-2018-6-667-679mais-765Research ArticleОригинальные статьиArticlesПрименение нейронных сетей для распознавания конструктивных элементов рельсов на магнитных и вихретоковых дефектограммахApplication of Neural Networks for Recognizing Rail Structural Elements in Magnetic and Eddy Current Defectogramshttps://orcid.org/0000-0003-0500-306XКузьминЕгор ВладимировичKuzminEgor V.

д-р физ.-мат. наук, профессор кафедры теоретической информатики

ул. Советская, 14, г. Ярославль, 150003

doctor of science, associate professor

14 Sovetskaya str., Yaroslavl, 150003

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

канд. физ.-мат. наук, генеральный директор

ул. Союзная, 144, г. Ярославль, 150008

PhD, general director

144 Soyuznaya str., Yaroslavl, 150008

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

инженер-технолог

ул. Союзная, 144, г. Ярославль, 150008

production engineer

144 Soyuznaya str., Yaroslavl, 150008

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

руков. сектора разработки

ул. Союзная, 144, г. Ярославль, 150008

head of software development

144 Soyuznaya str., Yaroslavl, 150008

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

д-р физ.-мат. наук, профессор кафедры теоретической информатики

ул. Советская, 14, г. Ярославль, 150003

doctor of science, associate professor

14 Sovetskaya str., Yaroslavl, 150003

bashkinva@nddlab.comЯрославский государственный университет им. П.Г. ДемидоваРоссияP.G. Demidov Yaroslavl State UniversityRussian FederationООО «Центр инновационного программирования», NDDLabРоссияCenter of Innovative Programming, NDDLabRussian Federation201819122018256667679Copyright © Кузьмин Е.В., Горбунов О.Е., Плотников П.О., Тюкин В.А., Башкин В.А., 20182018Кузьмин 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/765

Для обеспечения безопасности движения на железнодорожном транспорте регулярно проводится неразрушающий контроль рельсов с применением различных подходов и методов, включая методы магнитной и 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 конструктивных элементов железнодорожных рельсов по дефектограммам многоканальных магнитных и вихретоковых дефектоскопов. Рассматриваются три класса конструктивных элементов рельсового пути: 1) болтовой стык с прямым или скошенным соединением рельсов, 2) электроконтактная сварка рельсов и 3) алюмотермитная сварка рельсов. Образы, которые не могут быть отнесены к этим трем классам, условно считаются дефектами и выносятся в отдельный четвертый класс. Для распознавания образов конструктивных элементов на дефектограммах применяется 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 20 на 39 пикселей.

To ensure traffic safety of railway transport, non-destructive test of rails is regularly carried out by using various approaches and methods, including magnetic and eddy current flaw detection methods. An automatic analysis of large data sets (defectgrams) 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 on defectograms. This article is devoted to the problem of recognition of rail structural element images in magnetic and eddy current defectograms. Three classes of rail track structural elements are considered: 1) a bolted joint with straight or beveled connection of rails, 2) a butt weld of rails, and 3) an aluminothermic weld of rails. Images that cannot be assigned to these three classes are conditionally considered as defects and are placed in a separate fourth class. For image recognition of structural elements in defectograms a 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 20 x 39 pixels.

неразрушающий контроль рельсовмагнитная и вихретоковая дефектоскопияобнаружение дефектовавтоматический анализ дефектограммнейронные сетиnondestructive testingmagnetic and eddy current testingrail flaw detectionautomated analysis of defectogramsneural networksReferencesКузьмин Е. В., Горбунов О. Е., Плотников П. О., Тюкин В. А., “ Об определении уровня полезных сигналов при расшифровке магнитных и вихретоковых дефектограмм”, Модел. и анализ информ. систем, 24:6 (2017), 760–771;Kuzmin E. V., Gorbunov O. E., Plotnikov P. O., Tyukin V. A., “On Finding a Threshold of Useful Signals in the Analysis of Magnetic and Eddy Current Defectograms”, Modeling and Analysis of Information Systems, 24:6 (2017), 760–771, (in Russian).Кузьмин Е.В., Горбунов О.Е., Плотников П.О., Тюкин В.А., “Эффективный алгоритм определения уровня полезных сигналов при расшифровке магнитных и вихретоковых дефектограмм”, Модел. и анализ информ. систем, 25:4 (2018), 382–387;Kuzmin E.V., Gorbunov O.E., Plotnikov P.O., Tyukin V.A., “An Efficient Algorithm for Finding a Threshold of Useful Signals in the Analysis of Magnetic and Eddy Current Defectograms”, Modeling and Analysis of Information Systems, 25:4 (2018), 382–387, (in Russian).Марков А. А., Кузнецова Е. А., Дефектоскопия рельсов. Формирование и анализ сигналов. Кн. 1. Основы, КультИнформПресс, СПб., 2010;Markov A.A., Kuznetsova E. A., Rails flaw detection. Formation and analysis of signals. Book 1. Principles, KultInformPress, St. Petersburg, 2010, (in Russian).Марков А. А., Кузнецова Е. А., Дефектоскопия рельсов. Формирование и анализ сигналов. Кн. 2. Расшифровка дефектограмм, Ультра Принт, СПб., 2014;Markov A. A., Kuznetsova E. A., Rails flaw detection. Formation and analysis of signals. Book 2. Data interpretation, Ultra Print, St. Petersburg, 2014, (in Russian).Тарабрин В.Ф., Зверев А.В., Горбунов О.Е., Кузьмин Е.В., “О фильтрации данных при автоматической расшифровке дефектограмм АПК «АСТРА»”, В мире неразрушающего контроля, 64:2 (2014), 5–9;Tarabrin V. F., Zverev A. V., Gorbunov O. E., Kuzmin E.V., “About Data Filtration of the Defectogram Automatic Interpretation by Hardware and Software Complex “ASTRA””, NDT World, 64:2 (2014), 5–9, (in Russian).Simard P. Y., Steinkraus D., Platt J. C., “Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis”, 7th International Conference on Document Analysis and Recognition (ICDAR-2003), 2-Volume Set, (3–6 August 2003, Edinburgh, Scotland, UK), IEEE Computer Society, 2003, 958–962.Simard P. Y., Steinkraus D., Platt J. C., “Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis”, 7th International Conference on Document Analysis and Recognition (ICDAR-2003), 2-Volume Set, (3–6 August 2003, Edinburgh, Scotland, UK), IEEE Computer Society, 2003, 958–962.Goodfellow I., Bengio Y., Courville A., Deep Learning, MIT Press, 2016.Goodfellow I., Bengio Y., Courville A., Deep Learning, MIT Press, 2016.Chollet F., Deep Learning with Python, Manning Publications Co., 2018.Chollet F., Deep Learning with Python, Manning Publications Co., 2018.TensorFlow https: // www. tensorflow. org/.TensorFlow https: // www.tensorflow.org/.

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