نظارت تصویری بر موانع حمل‌و‌نقل ریلی با استفاده از روش‌های مبتنی بر یادگیری عمیق

راه آهن به عنوان یک شریان ارتباطی موثر جایگاه ویژه ای در رشد و توسعه اقتصادی کشورها دارد. از همین رو افزایش دقت، قابلیت اطمینان و بهینه‌سازی ظرفیت صنعت حمل‌و‌نقل ریلی از اهمیت ویژه‌ای برخردار است. بطوری که امروزه صنعت حمل‌و‌نقل ریلی درحال حرکت بسمت خودران‌سازی است. تشخیص موانع ریلی یک بهبود عملیاتی و ایمنی در راه‌آهن است که حمل‌و‌نقل ریلی را کارآمدتر، دقیق‌تر و قابل‌اعتمادتر می‌سازد. امروزه پیشرفت در فناوری‌های هوش مصنوعی و حسگرها باعث توسعه روش‌های تشخیص موانع و خودران‌سازی شده است. در این مقاله با بهره‌‌گیری از روش‌های مبتنی بر هوش مصنوعی و یادگیری عمیق به طراحی ساختاری پرداخته شده است که تشخیص زمان‌حقیقی موانع ریلی را با توازنی میان دقت و بار محاسباتی، ممکن می‌سازد. در روش پیشنهادی  ابتدا به‌منظور قطعه‌بندی خطوط ریلی سه مدل یادگیری عمیق با بهره‌گیری از معماری توجه هرمی و رمزگذار‌های شبکه‌ی رزنت فشرده‌سازی و تحریک، شبکه‌ی کارآمد  و شبکه بدون نرمالساز، توسط مجموعه‌ای از تصاویر رنگی، تحت آموزش و اعتبارسنجی قرار گرفتند. نتایج اعتبارسنجی نشان می‌دهد که مدل قطعه‌بندی مبتنی بر  شبکه‌ی بدون نرمالساز با چند دهم درصد اختلاف از دو مدل دیگر دقیق‌تر است. این در حالی است که بار محاسباتی مدل  مبتنی بر شیکه‌ی کارآمد حدوداً  و  برابر بار محاسباتی مدل‌های مبتنی بر شبکه‌های رزنت سوپر پیچشی و بدون  نرمالساز است. به‌منظور تشخیص اشیا نسخه‌های پنجم و هفتم الگوریتم یولو   تحت آموزش و اعتبارسنجی قرار گرفتند. نتایج نشان می‌دهد که دقت نسخه هفتم یولو در تشخیص موانع تعریف‌شده درصد از  دقت نسخه پنجم این مدل بیشتر است. درنهایت پس از پیاده‌سازی مدل‌ قطعه‌بندی ریل مبتنی بر شبکه‌ی کارآمد و  نسخه هفتم الگوریتم یولو در ساختار پیشنهادی عملیات تشخیص موانع با بررسی وجود همپوشانی میان ماسک مسیر حرکت قطار و کادر‌های محصورکننده‌ی اشیا انجام شد. در روش پیشنهادی تشخیص حضور موانع در مسیر حرکت قطار به ارسال پیام هشدار می‌انجامد. ازاین‌رو می‌توان از این روش پیشنهادی به‌عنوان سیستم کمک راهبر قطار استفاده نمود تا از خطای احتمالی راهبر جلوگیری شود.

visual monitoring of railway obstacles using deep learning-based methods

one significant aspect contributing to the overall improvement of railway operations and safety is the detection of obstacles along the tracks. this advancement not only enhances the efficiency of rail transport but also ensures greater accuracy and reliability. thanks to recent advancements in artificial intelligence technologies, obstacle detection, and self-driving methods have witnessed remarkable progress. in this project, a structure has been designed that enables the real-time detection of obstacles on the train track with a balance between accuracy and volume of calculations. the proposed method involves identifying the train path and checking for the presence of obstacles in this area. three segmentation models, pan+se-resnet, pan+efficientnet, and pan+nf-net, were designed, trained, and validated by a set of color images. results show that the pan+nf-net rail segmentation model is more accurate than the other two models with a few tenths of a percent difference. meanwhile, the computing load of the pan+efficientnet model is about half and one-fifth of the computational load of the pan+nf-net and pan+se-resnet models, and it offers faster processing speed. to design the object recognition model, the fifth and seventh versions of the yolo algorithm were trained by a dataset. the results show that the accuracy of the yolov7 model in detecting obstacles is 17.6 percent higher than the accuracy of the yolov5 model. finally, obstacle detection operation was accomplished by checking for overlaps between the mask of the train’s path and the bounding boxes predicted by the object detection model.