Применение нейронных сетей для распознавания конструктивных элементов рельсов на магнитных и вихретоковых дефектограммах

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.

неразрушающий контроль рельсов, магнитная и вихретоковая дефектоскопия, обнаружение дефектов, автоматический анализ дефектограмм, нейронные сети

1. Кузьмин 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;

2. 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;

3. Марков А. А., Кузнецова Е. А., Дефектоскопия рельсов. Формирование и анализ сигналов. Кн. 1. Основы, КультИнформПресс, СПб., 2010;

4. Марков А. А., Кузнецова Е. А., Дефектоскопия рельсов. Формирование и анализ сигналов. Кн. 2. Расшифровка дефектограмм, Ультра Принт, СПб., 2014;

5. 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;

6. 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.

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

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

9. TensorFlow https: // www. tensorflow. org/.