33015

طراحي الگوريتم تشخيص مانع در راه‌آهن با استفاده از يادگيري عميق

كارشناسي ارشد

مهندسي برق- كنترل

1400

1403/7/10

حسين بلندي

محمدرضا محمدي

مهندسي برق

در اين پايان‌نامه، به طراحي و شبيه‌سازي الگوريتم تشخيص مانع در راه‌آهن پرداخته شده است. الگوريتم تشخيص مانع در حالت كلي، علاوه بر ورودي و خروجي شامل سه مرحله اصلي است كه در مرحله اول كليه اشياء موجود در تصوير شناسايي مي‌شوند، در مرحله دوم پس از شناسايي كليه ريل‌هاي موجود در تصوير، مسير حركت قطار از ميان ساير ريل‌ها شناسايي مي‌شوند و در نهايت در مرحله سوم وجود يا عدم وجود اشتراك بين اشياء موجود در تصوير و مسير حركت قطار مورد بررسي قرار مي‌گيرد. الگوريتم پيشنهادي در اين پايان‌نامه مانند هر الگوريتم ديگري، علاوه بر مراحل اصلي، داراي ورودي و خروجي است. ورودي الگوريتم يك فريم از تصاوير راه‌آهن است كه اين تصوير توسط دوربيني كه روي قطار نصب شده است، گرفته شده، و خروجي تنها يك عدد صفر يا يك به معني وجود يا عدم وجود مانع در مسير حركت قطار است. در مرحله اول مشابه با الگوريتم كلي، تمامي اشياء موجود در تصوير توسط شبكه YOLOv8x شناسايي مي‌شوند. مجموعه داده مورد استفاده در اين مرحله، مجموعه داده COCO است. ازآنجايي‌كه اين مجموعه داده شامل 80 كلاس است، الگوريتم تشخيص مانع پيشنهادي نيز توانايي تشخيص 80 نوع از موانع در راه‌آهن را دارد. در مرحله دوم ابتدا نياز است كه كليه ريل‌هاي موجود در تصوير شناسايي شوند، به همين منظور يك شبكه UNet روي مجموعه داده Railsem19آموزش داده شده است. در ادامه مرحله دو نياز است، مسير حركت قطار از ميان ريل‌هاي شناسايي شده توسط شبكه UNet جدا شود، ازاين‌رو در اين پايان‌نامه به طراحي و شبيه‌سازي يك الگوريتم شناسايي مسير حركت قطار پرداخته شده است. الگوريتم پيشنهادي علاوه بر توانايي شناسايي مسير حركت قطار در حالت كلي و ساده كه ريل‌ها كاملاً از هم مجزا هستند، در تعدادي شرايط خاص مانند نواحي جلوي سوزن كه ريل به دو شاخه تبديل مي‌شود نيز توانايي تشخيص مسير حركت قطار را دارد. در مرحله سوم، اشتراك بين مسير حركت قطار و مكان موانع به‌دست‌آمده توسط YOLO بررسي مي‌شود. در نهايت پس از شبيه‌سازي الگوريتم سه مرحله‌اي تشخيص مانع در راه‌آهن، اين الگوريتم روي يك مجموعه داده شامل 1664 تصوير، آزمايش شد. الگوريتم در 1451 تصوير خروجي درست داشت، اما در 213 تصوير دچار خطا شد. در ادامه دلايل خطاي الگوريتم روي اين موارد آزمايش مورد بررسي قرار گرفت و با روش‌هايي مانند تنظيم ابر‌ پارامترهاي مدل و ارائه پيشنهادهايي در جهت برطرف‌كردن ايرادهاي الگوريتم، موارد خطا از 213به 145 مورد كاهش يافت. در مرحله آخر به بررسي نتايج الگوريتم تشخيص سوزن پيشنهادي پرداخته شد و مشاهده شد كه اين الگوريتم از مجموع 1664 نمونه، فقط در 19 تصوير دچار خطا شد.

1403/11/06

Designing an obstacle detection algorithm in railways using deep learning

10/1/2025 12:00:00 AM

In this thesis, the design and simulation of the obstacle detection algorithm in the railway is discussed. In general, the obstacle detection algorithm, in addition to input and output, includes three main stages, in the first stage, all the objects in the image are identified. in the second stage, after all the rails in the image are identified, the path of the train is identified among the other rails. And finally, in the third stage, the presence or absence of commonality between the objects in the image and the train's path is investigated. The proposed algorithm in this thesis, like any other algorithm, has input and output in addition to the main steps. The input of the algorithm is a frame of railway images, which was taken by a camera installed on the train, and the output is only a number zero or one, meaning the presence or absence of an obstacle in the path of the train. In the first step, similar to the general algorithm, all the objects in the image are detected by the YOLO network. the dataset used in this step is the COCO dataset, since this dataset contains 80 classes, the proposed obstacle detection algorithm is also capable of detecting 80 types of the obstacles in the railway. In the second step, all the rails in the image need to be identified. For this purpose, a UNet network has been trained on the Railsem19 dataset. In the second step, the train path needs to be separated from the detected rails by the UNet network. Therefore, in this thesis, the design and simulation of an algorithm for identifying the train's path is discussed. The proposed algorithm, in addition to the ability to identify the train's path in general and simple mode, where the rails are completely separate, in a number of special conditions such as the areas in front of the railroad switch that the rail turns into two branches also has the ability to detect the direction of the train track. In the third step, the correspondence between the train path and the location of the obstacles obtained by YOLO is checked. Finally, after simulating the three-stage obstacle detection algorithm in the railway, this algorithm was tested on a dataset containing 1664 images. The algorithm had correct output in 1451 images, but it had errors in 213 images. In the following, the reasons for the algorithm error were investigated on these test cases, and with methods such as adjusting the parameters of the model and providing suggestions to solve the algorithm errors, the error cases were reduced from 213 to 145 cases. Finally, the results of the proposed railroad switch detection algorithm were examined and it was observed that this algorithm had errors in only 19 images out of a total of 1664.

يادگيري عميق , راه‌آهن , سوزن , تشخيص اشيا , ناحيه‌بندي

Deep Learning , Railway , railroad switch , object detection , Segmentation

Fateme Khazaei

Dr. Bolandi