Preview

Моделирование и анализ информационных систем

Расширенный поиск

Применение свёрточных нейронных сетей для распознавания длинных конструктивных элементов рельсов на вихретоковых дефектограммах

https://doi.org/10.18255/1818-1015-2020-3-316-329

Полный текст:

Аннотация

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.

Об авторах

Егор Владимирович Кузьмин
Ярославский государственный университет им. П.Г. Демидова
Россия

Профессор, доктор физико-математических наук.

Ул. Советская, 14, г. Ярославль, 150003



Олег Евгеньевич Горбунов
Центр инновационного программирования ООО, NDDLab
Россия

Генеральный директор, кандидат физико-математических наук.

Ул. Союзная, 144, Ярославль, 150008



Петр Олегович Плотников
Центр инновационного программирования ООО, NDDLab
Россия

Инженер-технолог.

Ул. Союзная, 144, Ярославль, 150008



Вадим Александрович Тюкин
Центр инновационного программирования ООО, NDDLab
Россия

Руководитель сектора разработки.

Ул. Союзная, 144, Ярославль, 150008



Владимир Анатольевич Башкин
Ярославский государственный университет им. П.Г. Демидова
Россия

Профессор, доктор физико-математических наук.

Ул. Советская, 14, г. Ярославль, 150003



Список литературы

1. A. A. Markov and E. A. Kuznetsova, Rails flaw detection. Formation and analysis of signals. Book 1. Principles. St. Petersburg: KultInformPress, 2010.

2. A. A. Markov and E. A. Kuznetsova, Rails flaw detection. Formation and analysis ofsignals. Book 2. Data interpretation. St. Petersburg: Ultra Print, 2014.

3. 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.

4. 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.

5. 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.

6. 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.

7. I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016.

8. F. Chollet, Deep Learning with Python. Manning Publications Co., 2018.

9. TensorFlow. [Online]. Available: https://www.tensorflow.org/.


Для цитирования:


Кузьмин Е.В., Горбунов О.Е., Плотников П.О., Тюкин В.А., Башкин В.А. Применение свёрточных нейронных сетей для распознавания длинных конструктивных элементов рельсов на вихретоковых дефектограммах. Моделирование и анализ информационных систем. 2020;27(3):316-329. https://doi.org/10.18255/1818-1015-2020-3-316-329

For citation:


Kuzmin E.V., Gorbunov O.E., Plotnikov P.O., Tyukin V.A., Bashkin V.A. Application of Convolutional Neural Networks for Recognizing Long Structural Elements of Rails in Eddy-Current Defectograms. Modeling and Analysis of Information Systems. 2020;27(3):316-329. (In Russ.) https://doi.org/10.18255/1818-1015-2020-3-316-329

Просмотров: 137


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1818-1015 (Print)
ISSN 2313-5417 (Online)