Convolutional neural network for rail track technical state control

Convolutional neural network for rail track technical state control

Currently project description available in Russian only. Translated version will be published soon...

Современные критерии безопасности ЖД транспорта требуют оперативного контроля и выявления дефектов и поломок в наружнем строении рельсового пути. Для подобного мониторинга применяются вагоны-лаборатории, оснащенные камерами, выполняющими видеофиксацию состояния рельсового пути. Обработка такого огромного массива данных требует полной или частичной автоматизации этого процесса, которая может быть выполнена конволюционными искусственными нейронными сетями.

Специалистами нашей компании реализована конволюционная нейронная сеть,  обеспечивающая распознавание дефектных элементов наружного строения ЖД пути по их видеоизображениям.

Реализовано несколько версий ПО. Версия, выполняющая классификацию предразмеченных изображений, выполнена с использованием ResidualNet. Версия, выполняющая детекцию дефектов непосредственно на исходном потоке визуальных данных, использует RetinaNet .

Система успешно внедрена в промышленное использование в вагонах-лабораториях РЖД.

Обученная нейронная сеть на специально собранной в рамках проекта выборке данных способна выполнять классификацию скреплений ЖД пути по их типам (АРС, ЖБР, КБ, ДО2/3), а также выполнять распознавание их исправного состояния и некоторых наиболее широко распространенных дефектов. Возможно расширение перечня распознаваемых типов скреплений и других элементов строения рельсового пути, а также их дефектов.

Интересно отметить, что для успешного внедрения системы необходимо было выполнить дополнение выборки примеров дефектных скреплений. Специфика данной предметной области такова, что дефектные скрепления априори встречаются реже, чем исправные. Вместе с этим репрезентативная выборка различных дефектов необходима для построения системы, эффективно выполняющей детекцию всех дефектов.

В ходе реализации проекта нашими специалистами опробированы и доработаны ряд методик дополнения данных, решающих проблему изначальной их нехватки, что важно на многих проектах подобного рода. Проблема регистрации системой априори реже встречающегося класса системами распознавания типична для многих отраслей промышленности. В этом контексте собранные нашими специалистами практические наработки по дополнению выборки данных различными методиками (включая методики генерации синтетических изображений на основе алгоритмов SMOTE и других расчетных методик) позволяют выполнять внедрение систем даже в условиях недостаточного количества исходных данных у Заказчика.