2 May 2023 in IEEE Transactions on Instrumentation and Measurement
In this paper, we present a machine learning based quantitative method for the interpretation of signals gathered from non-destructive-testing (NDT) of steel pipelines via a semi-autonomous in-line-inspection (ILI) robot. The robot has a magnetic-flux-leakage (MFL) sensor that produces three axis data for each point of pipeline with specific intervals. Both the robot and the MFL sensor have been developed in-house. The signals collected via MFL sensor are converted into images to be used as input for the proposed defect detection model. We propose a combination of a defect detection model based on SwinYv5 object detection algorithm and a quantification model based on Cross-Residual Convolutional Neural Network (CR-CNN). The detected defect locations are used to extract the Region of Interest (ROI) images of defects that are used as input for the quantification model. In data collection phase, numerous tests have been conducted via a special test mechanism and a custom data augmentation technique has been deployed in order to increase the amount and variety of training data. According to test results, the proposed method is capable of detecting defects with a precision of 98.9% and quantifying them with maximum errors of 1.30, 1.65 and 0.47 mm for length, width and depth respectively.
31 July 2022 in Demiryolu Mühendisliği
Görüntüler üzerinden hata ve anomalilerin otomatik tespiti, özellikle demiryolu taşımacılığı için kestirimci bakım uygulamalarında gün geçtikçe daha fazla yer bulmaktadır. Geleneksel bakım teknikleri, trenler için tam olarak güvenilemeyecek manuel çözümler içerirken; günümüzde görüntü işleme sayesinde daha sağlam çözümler üretilmektedir. Bu sayede bakım maliyetleri ve bakım süreleri de azalmaktadır. Trenler uzun mesafeler kat ettiğinden, trendeki sistemlerin yol boyunca zarar görmesi çok olasıdır. Hasar görme riski yüksek olan bu sistemlerden bir tanesi de pantograf-katener sistemidir. Pantografın katener ile temas eden bölgesi karbon şerittir ve katener sistemdeki elektriği trene iletmesi sebebiyle trene bağlı bileşenlerden en önemlilerinden bir tanesidir. Bu öneminden dolayı, karbon şeridi ağaç dalları gibi hasar verebilecek dış etkenlerden korumak için pantograf boynuzlarına ihtiyaç vardır. Karbon şerit yerine pantograf boynuzları hasar gördüğü için pantograf boynuzlarının bakıma ihtiyacının olup olmadığının bilinmesi önemlidir. Hasarlı boynuzların tespiti, görüntü işleme ve derin öğrenme tekniklerinden yararlanılarak otomatik olarak yapılabilir. Bu çalışmada, farklı çevresel koşullarda farklı hatalara sahip olan ve olmayan pantograf boynuzlarını içeren 34 adet simülasyon videosu oluşturulmuştur. Bu videolardan elde edilen kareler ayrı ayrı işlenmiştir. Temel görüntü işleme teknikleri sayesinde pantograf dışındaki arka plan nesneleri kaldırılmış, derin öğrenme modeli ile pantograf boynuz bölgeleri tespit edilmiş ve evrişimli sinir ağı sayesinde bir boynuzun hatalı olup olmadığı sınıflandırılmıştır. Oluşturulan metot ile bir pantograf boynuzunun hatalı veya sağlıklı olmasına %95,36 oranında doğru karar verilmektedir. Yüksek doğrulukla çalışan bu yeni yöntem, pantograf boynuz analizi üzerine literatüre önemli bir katkı sağlamaktadır.