Uma avaliação abrangente de rede neural convolucional para detecção de defeitos na superfície ferroviária
DOI:
https://doi.org/10.33448/rsd-v11i8.30252Palavras-chave:
Inspeção ferroviária; Squat; CNN.Resumo
O monitoramento consistente dos trilhos baseia-se na identificação correta dos defeitos para apoiar as medidas corretivas. Recentemente, as redes neurais convolucionais (CNN), um método de aprendizado profundo, vêm apresentando excelentes resultados para a detecção automática de defeitos. No entanto, vários aspectos das abordagens baseadas em CNN, como arquitetura de rede, aprendizado de transferência e tempo de processamento, ainda não são totalmente compreendidos. Neste trabalho, realizamos uma avaliação aprofundada de dez modelos CNN amplamente utilizados, com o objetivo de encontrar aquele com melhor desempenho em identificar defeitos em imagens de superfície do trilho. Os resultados da classificação são promissores, atingindo uma acurácia média de 83,7% na detecção de defeitos leves e agachamento. A rede Inceptionv3 forneceu os melhores resultados ao identificar corretamente 92% das imagens com defeitos graves de squat.
Referências
Badrinarayanan, V., & Kendall, A., & Cipolla, R. (2017). Segnet: A deep convolutional encoder-decoder architecture for image segmentation. IEEE transactions on pattern analysis and machine intelligence 39, 2481–2495.
Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions, in: Proceedings of the IEEE conference on computer vision and pattern recognition, 1251–1258.
Deng, J., Dong, W., Socher, R., Li, L.J., Li, K., & Fei-Fei, L. (2009). Imagenet: A large-scale hierarchical image database, in: 2009 IEEE conference on computer vision and pattern recognition, IEE, 248–255.
Demuth H. B. Neural network toolbox; for use with MATLAB; computation, visualization, programming; user’s guide, version 4. [S.l.], 2000. Disponível em: <http://cda.psych.uiuc.edu/matlab_pdf/nnet.pdf>.
Faghih-Roohi, S., Hajizadeh, S., Núñez, A., Babuska, R., & De Schutter, B. (2016). Deep convolutional neural networks for detection of rail surface defects, in: 2016 International joint conference on neural networks (IJCNN), IEEE, 2584–2589.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition, in: Proceedings of the IEEE conference on computer vision and pattern recognition, 770–778.
Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K.Q. (2017). Densely connected convolutional networks, in: Proceedings of the IEEE conference on computer vision and pattern recognition, 4700–4708.
Iandola, F.N., Han, S., Moskewicz, M.W., Ashraf, K., Dally, W.J., & Keutzer, K. (2016). Squeezenet: Alexnet-level accuracy with 50x fewer parameters and< 0.5 mb model size. arXiv preprint arXiv:1602.07360.
Jamshidi, A., Faghih-Roohi, S., Hajizadeh, S., Núñez, A., Babuska, R., Dollevoet, R., Li, Z., & De Schutter, B. (2017). A big data analysis approach for rail failure risk assessment. Risk Analysis 37, 1495–1507.
Kim, H., Lee, S., & Han, S. (2020). Railroad surface defect segmentation using a modified fully convolutional network. KSII Transactions on Internet & Information Systems 14.
Krizhevsky, A., Sutskever, I., & Hinton, G.E. (2012). Imagenet classification with deep convolutional neural networks, in: Advances in neural information processing systems, 1097–1105.
Liang, Z., Zhang, H., Liu, L., He, Z., & Zheng, K. (2018). Defect detection of rail surface with deep convolutional neural networks, in: 2018 13th World Congress on Intelligent Control and Automation (WCICA), IEEE, 1317–1322.
Lin, C., Li, L., Luo, W., Wang, K.C., & Guo, J. (2019). Transfer learning based traffic sign recognition using inception-v3 model. Periodica Polytechnica Transportation Engineering 47, 242–250.
Loram. (2018). Riv. URL: https://www.loram.com/products/ quality-management/riv. (accessed 28 October 2019).
MRS. (2008). MRS Logística S.A. Guia de Identificação de Defeitos e Fraturas em Trilhos.
Ponti, M.A., Ribeiro, L.S.F., Nazare, T.S., Bui, T., & Collomosse, J., (2017). Everything you wanted to know about deep learning for computer vision but were afraid to ask, in: 2017 30th SIBGRAPI conference on graphics, patterns and images tutorials (SIBGRAPI-T), IEEE, 17–41.
Redmon, J., & Farhadi, A. (2018). Yolov3: An incremental improvement. arXiv preprint arXiv:1804.02767.
Rodrigues, Paulo Cézar Lobo. Detecção de anomalias em trilho utilizando visão computacional. Instituto Federal do Espírito Santo, Programa de Pós-graduação em Tecnologias Sustentáveis, Vitória,2020.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.C. (2018). Mobilenetv2: Inverted residuals and linear bottlenecks, in: Proceedings of the IEEE conference on computer vision and pattern recognition, 4510–4520.
Shin, H.C., Roth, H.R., Gao, M., Lu, L., Xu, Z., Nogues, I., Yao, J., Mollura, D., & Summers, R.M. (2016). Deep convolutional neural networks for computer-aided detection: Cnn architectures, dataset characteristics and transfer learning. IEEE transactions on medical imaging 35, 1285–1298.
Silva, P. et al.(2014). Use of artificial neural networks and geographic objects to classify remote sensing images. CERNE, Lavras, v. 20, n. 2, 267-276.
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A. (2015). Going deeper with convolutions, in: Proceedings of the IEEE conference on computer vision and pattern recognition, 1–9.
Tan, M., & Quoc, V.L. (2019). Efficientnet: Rethinking model scaling for convolutional neural networks. arxiv e-prints, art. arXiv preprint arXiv:1905.119461.
Yanan, S., Hui, Z., Li, L., & Hang, Z. (2018). Rail surface defect detection method based on yolov3 deep learning networks, in: 2018 Chinese Automation Congress (CAC), IEEE, 1563–1568.
Yuan, H., Chen, H., Liu, S., Lin, J., & Luo, X. (2019). A deep convolutional neural network for detection of rail surface defect, in: 2019 IEEE Vehicle Power and Propulsion Conference (VPPC), IEEE, 1–4.
Zhandong Yuan, Shengyang Zhu, Xuancheng Yuan, Wanming Zhai. (2021). Vibration-based damage detection of rail fastener clip using convolutional neural network: Experiment and simulation. Engineering Failure Analysis. Volume 119.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Rebeca Alves da Silva Lemos Passos; Matheus Pinheiro Ferreira; Ben-Hur de Albuquerque e Silva; Luiz Antonio Silveira Lopes; Hugo Ribeiro; Romero Pereira dos Santos
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.