شماره ركورد
14905
عنوان
مروري بر ادبيات فني روش هاي پايش عيوب سطحي ريل با استفاده از پردازش تصوير
سال تحصيل
1401
استاد راهنما
دكتر سيد جواد ميرمحمد صادقي
استاد مشاور
دكتر عليرضا طلوع كيان
چکيده
در سالهاي اخير در زمينه نگهداري و تعمير زيرساختهاي راهآهن پيشرفتهاي قابلتوجهي رخداده است كه بهدليل استفاده از تكنولوژي بينايي كامپيوتر در مهندسي راهآهن است. هدف اين سمينار مروري جامع بر روشها و رويكردهاي مختلف مورداستفاده براي تشخيص آسيب و عيوب سطح ريل با استفاده از اين فناوري است. خرابي سطح ريل اغلب ميتواند منجر به عواقب ناگواري مانند كاهش بازده حملونقل ريلي، افزايش هزينه نگهداري و تعمير و به خطر افتادن ايمني مسافران شود. روشهاي بازرسي سنتي زمانبر هستند، اغلب باعث مسدودي شبكه راهآهن ميشوند و معمولاً قادر به تشخيص عيوب كوچك اندازه نيستند. با استفاده از تواناييهاي فناوري پردازش تصوير و يادگيري ماشين، محققان راهآهن راههاي نوآورانهاي براي غلبه بر اين چالشها ارائه كردهاند كه موجب افزايش قابليتهاي تشخيص و ارزيابي آسيب هاي سطح ريل شده است. در اين سمينار مروري بر پيشرفتهترين فناوريهاي پردازش تصوير و يادگيري ماشين شده است تا بهعنوان منبعي ارزشمند براي محققان و تصميمگيرندگان در زمينه نگهداري و تعمير راهآهن به كار آيد. با تجزيهوتحليل گسترده ادبيات فني موجود، در اين سمينار مروري شده است بر تكنيكهاي كليدي پردازش تصوير مورداستفاده در تشخيص، طبقهبندي و كميسازي عيب سطح ريل. علاوه بر اين، مفاهيم مرتبط با الگوريتمها و مدلهاي يادگيري ماشين به كار گرفته شده براي تشخيص عيوب، از جمله ماشينهاي بردار پشتيبان (SVMs)، شبكههاي عصبي كانولوشن (CNN) و جنگلهاي تصادفي ارائه شده است. مزايا و محدوديتهاي مرتبط با ادغام پردازش تصوير و يادگيري ماشين در تشخيص آسيب سطح ريل بررسي شده است. علاوه بر اين، تكنيكهاي جمعآوري داده و پيشپردازش تصوير، چالشهايي كه در عمل اين تكنيكها با آن مواجه هستند، موردبحث قرار گرفته است.
نام دانشجو
مهدي فدائي
تاريخ ارائه
11/18/2023 12:00:00 AM
متن كامل
87121
پديد آورنده
مهدي فدائي
تاريخ ورود اطلاعات
1404/06/08
عنوان به انگليسي
A review of technical literature on rail defect monitoring methods using image processing
كليدواژه هاي فارسي
تعمير و نگهداري ، پايش خطوط ريلي ،عيوب سطحي ريل، بينايي كامپيوتر، يادگيري ماشين
كليدواژه هاي لاتين
Maintenance, Rail Line Monitoring, Rail Surface Defects, Computer Vision, Machine Learning