Определение оптимальной архитектуры нейронной сети для поиска стыковых накладок железнодорожного пути

Авторы: Маренов Н.Е.
Опубликовано в выпуске: #6(47)/2020
DOI: 10.18698/2541-8009-2020-6-618
Раздел: Приборостроение, метрология и информационно-измерительные приборы и системы | Рубрика: Лазерные и оптико-электронные системы
Ключевые слова: сверточная нейронная сеть, глубокое обучение, машинное обучение, классификация изображений, распознавание образов, железнодорожный путь, стыковая накладка, обнаружение дефектов
Опубликовано: 21.06.2020

Использование глубоких нейронных сетей в настоящее время является одним из самых популярных подходов к созданию автоматизированных систем. Сверточные нейронные сети применяются в задачах классификации изображений. Автоматизация контроля состояния железнодорожного пути необходима для бесперебойного движения транспорта, поэтому решение задачи обнаружения дефектов с использованием нейронных сетей является актуальной. В статье определена оптимальная архитектура нейронной сети для поиска стыковых накладок, состоящая из семи слоев. Рассмотрено влияние размера подаваемых изображений и количества слоев Convolution – ReLU – Max Pooling на скорость обработки изображений и ошибки классификации.

Литература

[1] Яковлева Т.Г., ред. Железнодорожный путь. М., Транспорт, 1999.

[2] Шахунянц Г.М. Железнодорожный путь. М., Транспорт, 1987.

[3] Sadeghi J., Askarinejad H. Application of neural networks in evaluation of railway track quality condition. J. Mech. Sci. Technol., 2012, vol. 26, no. 1, pp. 113–122. DOI: https://doi.org/10.1007/s12206-011-1016-5

[4] Nakhaee M.Ch., Hiemstra D., Stoelinga M., et al. The recent applications of machine learning in rail track maintenance: a survey. Proc. RSSRail, 2019, pp. 91–105. DOI: https://doi.org/10.1007/978-3-030-18744-6_6

[5] Gibert X., Patel V., Chellappa R. Deep multitask learning for railway track inspection. IEEE Trans. Intell. Transp. Syst., 2017, vol. 18, no. 1, pp. 153–164. DOI: https://doi.org/10.1109/TITS.2016.2568758

[6] Mittal Sh., Rao D. Vision based railway track monitoring using deep learning. arxiv.org: веб-сайт. URL: https://arxiv.org/abs/1711.06423 (дата обращения: 15.02.2020).

[7] Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб., Питер, 2019.

[8] Свёрточные нейронные сети: взгляд изнутри. ru.datasides.com: веб-сайт. URL: http://ru.datasides.com/code/cnn-convolutional-neural-networks/ (дата обращения 16.12.2019).

[9] Cawley G., Talbot N. On over-fitting in model selection and subsequent selection bias in performance evaluation. J. Mach. Learn. Res., 2010, no. 11, pp. 2079–2107.

[10] Hastie T., Tibshirani R., Friedman J. The elements of statistical learning. Springer, 2009.