28883

طراحي الگوريتم نظارت تصويري بر موانع حمل‌و‌نقل ريلي با استفاده از روش‌هاي مبتني بر يادگيري عميق

كارشناسي ارشد

مهندسي كنترل و علائم

1399

1402/4/26

محمد علي صنديدزاده

راه‌آهن

خودران‌سازي قطار‌ها يك بهبود عملياتي و ايمني در راه‌آهن است، كه حدس‌ها و خطاهاي انساني را از بين مي‌برد و راه‌آهن را كارآمدتر، دقيق‌تر و قابل‌اعتمادتر از هميشه مي‌سازد. علي‌رغم پژوهش‌هايي كه درزمينه‌ي خودران‌سازي وسايل نقليه ريلي انجام شده است، اين فناوري همچنان با چالش‌هاي زيادي روبرو است. ادراك محيطي و تشخيص موانع ريلي از مهم‌ترين چالش‌هايي است كه پژوهشگران در اين راستا، با آن روبرو هستند. عملكرد ايمن وسايل نقليه خودران، بدون ادراك محيطي دقيق و قابل‌اطمينان ممكن نيست. طراحي سيستم‌هاي تشخيص موانع و فناوري‌هاي بينايي براي درك محيط راه‌آهن، ارتقاء ايمني قطار و امنيت مسافران بسيار مهم و حياتي است. به‌منظور درك محيط براي تشخيص خودكار موانع به‌صورت گسترده از حسگرهاي نصب‌شده روي وسايل نقليه استفاده مي‌شود. با استخراج اطلاعات مفيد از داده‌هاي برداشت‌شده توسط اين حسگر‌ها و پردازش اين اطلاعات به‌وسيله‌ي روش‌هاي پيشرفته مي‌توان به درك مؤثري از محيط رسيد. امروزه پيشرفت در فناوري‌هاي هوش مصنوعي و حسگرها باعث شده كه پژوهشگران با انگيزه بالايي به تحقيق و توسعه روش‌هاي تشخيص موانع و خودران‌سازي وسايل نقليه مبتني بر اين فناوري‌ها بپردازند. هدف اين پايان‌نامه تشخيص موانع حمل‌و‌نقل ريلي به‌وسيله‌ي روش‌هاي مبتني بر هوش مصنوعي و يادگيري عميق است. مانع در حمل‌ونقل ريلي، شئ يا اشيائي است كه در مسير حركت قطار قرار دارد و در صورت برخورد با قطار خطرآفرين خواهد بود. لذا در اين پروژه به طراحي ساختاري پرداخته شده است كه تشخيص زمان‌حقيقي موانع روي مسير حركت قطار را با توازني ميان دقت و حجم محاسبات، ممكن مي‌سازد. روش پيشنهادشده در اين پروژه شناسايي مسير حركت قطار و بررسي وجود مانع در اين ناحيه است. با اين تعريف ابتدا به‌منظور قطعه‌بندي خطوط ريلي سه مدل يادگيري عميق مبتني بر شبكه‌هاي SE-Net،EfficientNet و NF-Net ، با قرارگيري تحت يك معماري شبكه توجه هرمي، توسط مجموعه‌اي از تصاوير رنگي، تحت آموزش و اعتبارسنجي قرار گرفتند. نتايج اعتبارسنجي نشان مي‌دهد كه مدل قطعه‌بندي مبتني بر شبكه NF-Net با چند دهم درصد اختلاف از دو مدل ديگر دقيق‌تر است. اين در حالي است كه بار محاسباتي مدل مبتني بر شبكه‌ي EfficientNet حدودا 1/2 و 1/5 برابر بار محاسباتي مدل مبتني بر شبكه NF-Net و SE-Net است و سرعت پردازش بالا‌تري دارد. به‌منظور طراحي مدل تشخيص شئ نسخه‌هاي پنجم و هفتم الگوريتم YOLO توسط مجموعه داده‌اي از تصاوير رنگي برداشت‌شده از محيط شهري تحت آموزش قرار گرفتند. نتايج نشان مي‌دهد كه دقت نسخه هفتم الگوريتم YOLO در تشخيص موانع تعريف‌شده 17/6درصد از دقت نسخه‌ي پنجم اين مدل بيشتر است. درنهايت تشخيص موانع با بررسي زمان حقيقي وجود همپوشاني ميان ماسك مسير حركت قطار و كادر‌هاي محصور كننده پيشبيني‌شده توسط مدل تشخيص شئ انجام شد.

1402/07/09

Vision based railway obstacle detection using deep learning methods

7/16/2024 12:00:00 AM

Railway obstacle detection is one of the most important challenges that researchers face in the field of self-driving trains. In this article, we develope a new method using, which enables real-time of railway obstacles detection with a balance between accuracy and computational load. The basis of the used method is to determine the danger zone based on the segmented track and detect the presence of obstacles in this zone. With this definition, to segment railway tracks, three deep learning models based on SE-ResNet, Efficient-net and NF-Net networks, using pyramid attention network architecture, were trained and validated by a set of color images dataset. The results show that the segmentation model based on the NF-Net network is more accurate than the other two models with a few tenths of a percent difference. Meanwhile, the computational load of the EfficientNet network is about half and one-fifth of the computational load of the model based on the NF-Net and SE-Net networks. To design the object detection model, the YOLO versions 5 and 7 were trained and validated. The results show that the accuracy of the YOLO V.7 is 17.6% higher than the accuracy of the YOLO V.5. Finally, obstacle detection was done by determining the danger zone and checking the existence of overlap between the danger zone and bounding boxes. In the used method, detecting the presence of obstacles in the track leads to sending a warning message. Therefore, this system can be used as a train driving assistance system.

راه‌آهن , تشخيص موانع , قطعه‌بندي ريل , يادگيري عميق , بينايي ماشين

Railway , Obstacle detection , Rail segmentation , deep-learning , Computer vision

simin koulaeian

Dr.Mohamad Ali Sandidzadeh