Derin öğrenme metotları ile demiryolu arızalarının teşhisi ve sınıflandırılması

Abstract

Derin öğrenme metotları üzerine çalışmalar, bilgisayar donanımındaki, özellikle de grafik işlemci kartındaki gelişmelerden sonra büyük ivme kazanmıştır. Bu gelişmeler makine görüsü destekli uygulamaların hem daha başarılı sonuçlar vermesini hem de kullanım alanlarının genişlemesini sağlamıştır. Nesne sınıflandırma alanında insan başarımı seviyesi geride bırakılmış ve nesne tespit algoritmaları gerçek zamanlı çalışabilir hale gelmiştir. Derin öğrenme algoritmaları veriye aç sistemler olduğu için bunların eğitilmesi ve test edilmesinde veri kümesi kritik öneme sahiptir. Demiryolu arıza teşhisi ve sınıflandırması üzerine internette halka açık olarak erişimi mümkün olan bir veri kümesi bulunmamaktadır. Bu çalışmada Türkiye Cumhuriyeti Devlet Demiryolları’nın (TCDD) demiryolu hat bakım ve izleme çalışmalarında elde edilen görüntüler derlenip, literatürde en sık karşılaşılan ray kusurları göz önünde bulundurularak, demiryolu arıza teşhisi ve sınıflandırması uygulaması geliştirebilmek için bir veri kümesi oluşturulmuştur. Oluşturulan bu veri kümesi kullanılarak YOLOv4 tabanlı bir kusur tespit sistemi geliştirilmiştir. Önerilen bu kusur tespit sistemi geliştirilirken literatürdeki uygulamaların aksine tüm görüntülerin elle etiketlendiği bir tam denetimli öğrenme yöntemi yerine yarı denetimli öğrenci-öğretmen modeli geliştirilmiş ve görüntülerin otomatik olarak etiketlenmesi sağlanmıştır. Bu yöntem, etiketleme sürecindeki insan müdahalesini azaltarak yüksek maliyetlerin düşürülmesini sağlamış, sözde etiketleme yöntemi ile genişletilen veri kümesi sayesinde de arıza tespit modelinin mAP değeri; %87.94’ten %94.15’e, F1-Skor değeri de 0.83’ten 0.91’e arttırılmıştır. Tez kapsamındaki diğer bir çalışma ise demiryolu bağlantı elemanları özelinde yapılmıştır. Bu çalışmada aktivasyon fonksiyonu seçiminin arıza tespit modelinin başarımı üzerine etkisi incelenmiş ve leaky, swish, x-swish ve mish fonksiyonlarının performansları kıyaslanmıştır. Yapılan optimizasyon çalışmaları sonucunda, TCDD'den alınan veri kümesinin elde edildiği yöntemle karşılaştırıldığında, Gerçek Pozitif (TP) sayısı artırılmış ve Yanlış Pozitif (FP) sayısı azaltılmıştır. Son çalışmada ise demiryolu arızaların daha yüksek oranda tespiti için dinamik alfa parametreli odaklanmış kayıp (focal loss) fonksiyonu geliştirilmiştir. Böylece demiryolu arızalarında daha kritik öneme sahip arıza sınıfının tespitine ağırlık verilmiş ve bu sınıftaki arıza teşhis başarımı arttırılmıştır. Deney sonuçları, önerilen yöntemlerin mevcut yöntemlere göre daha yüksek doğruluk ve verimlilik sağladığını göstermektedir.

The study of deep learning methods has gained great momentum following developments in computer hardware, especially in graphics processor cards. These developments have enabled machine vision-based applications to achieve more successful results and expand their areas of application. In the field of object classification, the level of human performance has been surpassed and object recognition algorithms have become capable of working in real time. As deep learning algorithms are data hungry systems, the dataset is critical for training and testing. There is no publicly available railway fault diagnosis and classification dataset on the internet. In this study, a railway fault diagnosis and classification dataset has been created by compiling the images obtained from the TCDD (Turkish Republic State Railways) railway line maintenance and monitoring works and considering the most common railway faults found in the literature. With this data set, a YOLOv4 based fault detection system has been developed. During the development of the proposed fault detection system, a semi-supervised student-teacher model was developed instead of a fully supervised learning method in which all images are manually labelled and the images are automatically labelled, unlike the applications in the literature. This method reduced the human intervention in the labelling process and the high costs, and the performance of the error detection model was gradually improved thanks to the data set extended by the pseudo-labelling method. Another study within the thesis was carried out on railway fasteners. This study analysed the effect of activation function selection on the performance of the fault detection model and compared the performance of leaky, swish, x-swish and mish functions. As a result of the optimization studies, the number of True Positives (TP) was increased and the number of False Positives (FP) was reduced compared to the method used to obtain the dataset from TCDD. In the last study, a dynamic alpha-parametric focussed loss function was developed to increase the detection rate of railway faults. This emphasises the detection of the more critical fault class in railway faults and increases the diagnostic performance in this class. Experimental results show that the proposed methods provide higher accuracy and efficiency than the existing methods.