Design av segmenteringsmodell för detektion av sprickbildning i betongslipers

Syfte

Examensarbetet syftar till att vidareutveckla en befintlig AI-modell för detektion av sprickor i betongsslipers ur högupplösta bilder av järnvägsspår. Arbetet innebär stora friheter att testa och utvärdera olika angreppssätt, t ex använda öppna dataset, de senaste modellarkitekturerna för computer vision och tekniker för ”self-supervised learning”. Målet är att arbetet ska leda till en modell som är bättre på att hitta sprickor och som är mer robust mot variationer i ljus och väderförhållanden mm.

Bakgrund

Trafikverket Underhåll bedriver ett projekt inom digital besiktning av järnvägsnätet som har målet att automatisera delar av det manuella besiktningsarbetet. Som en modul i ett större AI-system används en segmenteringsmodell som segmenterar betongssprickor i bilder av sliprar. I ett senare steg används segmenteringarna för att klassificera tillståndet på sliprarna.

I dagsläget tränas djupa neurala nätverk på en begränsad mängd annoterad data. Att en begränsad mängd data används i träningen leder till att den stora variationen i järnvägsnätet inte fångas upp i tillräckligt stor omfattning. Dessutom används idag modeller som förtränats på olika öppna datakällor vars distribution skiljer sig väsentligt från projektets datadistribution. Här finns alltså flera möjligheter till förbättringar som vi hoppas att examensarbetet ska hjälpa oss att förverkliga.

Arbetet är uppdelat i två steg

1. Undersöka om öppna datakällor mer lika projektdata kan användas för att förträna delar av nätverket.

2. Undersöka om den stora mängd bilder som samlats in kan användas för att förträna delar av nätverket.

Arbetets innehåll

• Hitta öppna datakällor av sprickor i t.ex. betong
• Annotera data
• Träna djupa neurala nätverk på bilddata i PyTorch
• Implementera självledd inlärning (self supervised learning) för att träna på stor mängd omärkt data

Placeringsort

Göteborg, Solna eller Borlänge