При диагностике железнодорожного пути существует фактор замены элементов строения пути, с неизрасходованным остаточным ресурсом, это делается для обеспечения бесперебойной работы инфраструктуры и безопасности движения, данные меры приводят отсутствию накопленного массива изображений с дефектами.
Исследователи из JR East Information Systems и Xerox Company разработали модель обнаружения дефектов, которая способна выявлять дефекты верхнего строения пути, используя изображения, полученные системой мониторинга железных дорог , установленной на коммерческих поездах Восточно-Японской железнодорожной компании. Однако они столкнулись с проблемой, при которой точность обнаружения модели не могла быть улучшена из-за отсутствия обучающих данных для определенного типа дефектов.
II. Обнаружение дефектов в данных для нескольких типов дефектов при помощи RESNET
Образцы изображений царапин, внутренних царапин и отслаивающихсящихся дефектов представлены на рис.1. Количество изображений, используемых для обучения модели обнаружения дефектов, показано в Таблице 1. Видно, что данных по дефекту отслоения значительно меньше по сравнению с дефектом царапин и царапины внутренней стороны.
Дообучение -это метод повторной настройки весов нейронной сети путем замены конечного выходного слоя на существующую модель обученную в другой области. Структура модели обнаружения аномалий показана на рис.2.
Модель обнаружения дефектов не смогла идентифицировать 1 случай поверхностного дефекта отслоения. Точность модели детектирования дефектов показана на рис.3, а изображение отслоения, который не был обнаружен, - на рис.4.
III. МОДЕЛЬ ГЕНЕРАЦИИ ДЕФЕКТОВ ЖЕЛЕЗНЫХ ДОРОГ С ИСПОЛЬЗОВАНИЕМ CycleGAN
Из-за отсутствия адекватных обучающих данных для получения изображений дефектов железных дорог исследователи выбрали алгоритм, известный как CycleGAN. CycleGAN-это тип метода передачи стиля, при котором изображение генерируется на основе исходных входных данных с измененными его характеристиками. Примеры изображений, генерируемых CycleGAN и используемым алгоритмом, показаны на рис.5, а конфигурация генератора и дискриминатора, используемых в данном исследовании, показана на рис.6.
Преобразование изображений с использованием модели CycleGAN показано на рис.7. Изображения, преобразованные CycleGAN, было трудно отличить человеческим глазам от реальных изображений на рельсах. Из 1000 изображений, сгенерированных моделью CycleGAN, 70 из них были подобны необнаруженному дефекту отслоения, были выбраны и добавлены в модель обнаружения дефектов в качестве обучающих данных. Точность обнаружения дефектов отслоения была успешно улучшена, и данные испытаний показали, что средняя площадь под кривой была на 1 больше по сравнению с 0,993 на рис.3. Результаты испытаний приведены на рис.8.
IV. КАРТА АКТИВАЦИИ КЛАССА ВИЗУАЛИЗАЦИИ С ИСПОЛЬЗОВАНИЕМ CAM И T-SNE
Чтобы визуально подтвердить изменения, произошедшие после добавления обучающих данных в модель обнаружения дефектов, мы использовали метод, известный как модель активации класса (CAM), для создания тепловой карты.Это наглядное представление того, какая часть изображения используется для модели обнаружения дефектов сосредоточены при классификации изображений. Части, которые использовались для классификации изображений, показаны красным, а части, которые не использовались, показаны синим. Результаты показаны на Рис.9.
Как показано на рисунке 9, модель обнаружения дефектов до ввода изображений, сгенерированных CycleGAN, сильно реагировала на линейные части, кроме дефектов на рельсах. Можно подумать, что небольшие дефекты шероховатости как таковые не обнаруживались из-за отсутствия данных на изображениях неисправного оборудования. Очевидно, что добавление сгенерированных изображений дефектов шероховатости в качестве обучающих данных позволяет нейронной сети сосредоточиться на дефектах шероховатости и идентифицировать их как таковые. t-SNE использовался для выполнения классификационного анализа (кластеризации) данных по 2048-мерным измерениям непосредственно перед генерацией окончательных результатов с помощью модели обнаружения дефектов. Результаты показаны на Рис.10.
После добавления изображений дефекта обстрела в качестве обучающих данных, вышеупомянутое изображение было отнесено к той же группе, что и другие изображения дефекта обстрела, показывая, что модель обнаружения дефектов определила изображение как похожее на другие изображения дефекта шероховатости.
V. ЗАКЛЮЧЕНИЕ
В этом исследовании точность модели обнаружения дефектов была успешно улучшена за счет использования CycleGAN для создания изображений неисправного оборудования, неотличимых от реальных изображений, и использования их в качестве обучающих данных. Обнаружение дефектов на рельсах было предметом этого исследования, но мы думаем, что эти результаты применимы к обнаружению дефектов различного оборудования. Мы планируем провести дальнейшие исследования с целью повышения точности обнаружения дефектов с помощью CycleGAN не только для железнодорожных путей, но и для железнодорожного оборудования в целом.
(С оригиналом статьи можно ознакомится по ссылке : https://arxiv.org/pdf/2102.12595.pdf )