Kakor (cookies) Trafikverket använder kakor för att förbättra och anpassa ditt besök på vår webbplats. Genom att använda webbplatsen accepterar du användandet av dessa kakor.
Läs mer om kakor och hur du avaktiverar dem

Maskininlärning och bildtolkning för ökad tillförlitlighet i strömavtagarlarm

Christian Clase vid Högskolan i Gävle har skrivit en masteruppsats om förbättringar av KIKA2-systemet som används vid underhåll av kontaktledningar på järnvägen.

Maskininlärning och bildtolkning för ökad tillförlitlighet i strömavtagarlarm

Examensarbete: 15 hp, Masterprogram i elektronik med inriktning mot automationsteknik, Högskolan i Gävle.
Författare: Christian Clase
Handledare: Jerk Brorsson (Trafikverket)
Examinator: José Chilo (PhD)

Sammanfattning

Trafikverket har idag ett system för att upptäcka skador på kolskenan på strömavtagaren. Denna kolskena ligger mot kontaktledningen och kan slitas på ett sådant sätt att skador bildas i kolskenan, vilket medför risk för kontaktledningsras vilket orsakar stora störningar och höga kostnader. Idag uppstår cirka 10 stycken kontaktledningsras årligen på grund av missad upptäckt av skadade strömavtagare. Dagens system kallas KIKA2, som utvecklades under 2011 och innehåller en 12 MP digital kamera, en målradar och detektion av skadade strömavtagare görs med hjälp av olika kända bildtekniker. Bristerna i dagens system är att andelen falska larm är hög och vid dessa tillfällen måste en person manuellt granska bilderna.
 
Syftet med detta examensarbete är att föreslå förbättringar och utforska möjligheterna att arbeta med TensorFlow maskininlärning. Olika bildbehandlingstekniker på KIKA2-bilderna har använts för att optimera bilderna för TensorFlow-maskininlärning. Efter några TensorFlow klassificeringstest på de råa bilderna konstaterades att förbehandla bilderna är nödvändigt för att få realistiska värden för klassificeringsdelen. Planen var att rengöra bilderna från brus, med andra ord beskära kolskenan och förbättra kontrasten för att göra skadorna i kolskenan mer synliga. Fourieranalys- och korrelationstekniker har använts för att beskära kolskenan och k-means lklassificeringsalgoritmen för att förbättra bildens kontrast.
Några IR-bilder på strömavtagaren med värmekamera (FLIR-E60) har tagits och visar att termokameran ger mycket bra konturer på strömavtagaren, vilket är mycket bra för maskininlärning.

Min rekommendation är att för vidare studier ytterligare utvärdera IR-tekniken och använda IR-bilder tagna från olika vinklar, avstånd och med olika bakgrund. Segmenteringen av bilderna kan göras med antingen Hu's moment eller fourieranalys med korrelation och förfinad med till exempel vald klassificeringsteknik. IR-bilder kan användas för att komplettera dagens system, eller maskininlärning tillsammans med dagens RGB-bilder. En robust och beprövad förbehandlingsteknik är mycket viktig för att få bra resultat i maskininlärning och kräver ytterligare studier och verkliga tester för att hantera olika typer av strömavtagare, olika ljusförhållanden och andra skillnader i bilderna.

Godkännandedatum: 2018-08-20

Maskininlärning och bildtolkning för ökad tillförlitlighet i strömavtagarlarm (öppnas i nytt fönster pdf-fil, 1,4 MB)