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

Егор Владимирович Кузьмин; Олег Евгеньевич Горбунов; Петр Олегович Плотников; Вадим Александрович Тюкин; Владимир Анатольевич Башкин

doi:10.18255/1818-1015-2018-6-667-679

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

Егор Владимирович Кузьмин, Олег Евгеньевич Горбунов, Петр Олегович Плотников, Вадим Александрович Тюкин, Владимир Анатольевич Башкин

https://doi.org/10.18255/1818-1015-2018-6-667-679

Полный текст:

Аннотация

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.

Ключ. слова

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

Об авторах

Егор Владимирович Кузьмин

Ярославский государственный университет им. П.Г. Демидова
Россия

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

ул. Советская, 14, г. Ярославль, 150003

Олег Евгеньевич Горбунов

ООО «Центр инновационного программирования», NDDLab
Россия

канд. физ.-мат. наук, генеральный директор

ул. Союзная, 144, г. Ярославль, 150008

Петр Олегович Плотников

ООО «Центр инновационного программирования», NDDLab
Россия

инженер-технолог

ул. Союзная, 144, г. Ярославль, 150008

Вадим Александрович Тюкин

ООО «Центр инновационного программирования», NDDLab
Россия

руков. сектора разработки

ул. Союзная, 144, г. Ярославль, 150008

Владимир Анатольевич Башкин

Ярославский государственный университет им. П.Г. Демидова
Россия

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

ул. Советская, 14, г. Ярославль, 150003

Список литературы

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/.

Дополнительные файлы

Для цитирования: Кузьмин Е.В., Горбунов О.Е., Плотников П.О., Тюкин В.А., Башкин В.А. Применение нейронных сетей для распознавания конструктивных элементов рельсов на магнитных и вихретоковых дефектограммах. Моделирование и анализ информационных систем. 2018;25(6):667-679. https://doi.org/10.18255/1818-1015-2018-6-667-679

For citation: Kuzmin E.V., Gorbunov O.E., Plotnikov P.O., Tyukin V.A., Bashkin V.A. Application of Neural Networks for Recognizing Rail Structural Elements in Magnetic and Eddy Current Defectograms. Modeling and Analysis of Information Systems. 2018;25(6):667-679. (In Russ.) https://doi.org/10.18255/1818-1015-2018-6-667-679

Обратные ссылки

Обратные ссылки не определены.

Контент доступен под лицензией Creative Commons Attribution 4.0 License.

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

Логин
Пароль