Dergiler / Demiryolu Mühendisliği / 2023 / Sayı: 18
Açıklanabilir Yapay Zekâ Tabanlı Denetimsiz Öğrenme ile Ray Kusur Tespiti
- Sayı
- 2023 · Sayı: 18
- Sayfa
- 1–13
- DOI
- —
Özet
Demiryolları insanı ve yükünü geçmişten günümüze kadar taşımış, artan ilgi ve talep nedeniyle gelecekte de taşımaya devam edecektir. Demiryollarında güvenli seyir için ray sağlamlığının otonom olarak tespit edilip önceden önlem alınması önem arz etmektedir. Yapay zekâ tabanlı bilgisayarlı görü uygulamaları kapsamında derin öğrenme modelleri ile otonom kusur tespiti yapılabilmektedir. Son yıllarda açıklanabilir yapay zeka yaklaşımı kusur (anomali) tespitinde popüler olmuştur. Sistem tarafından tespit edilen kusurun, niçin kusurlu olduğunun asıl karar verici olan insana açıklanması gerekmektedir. Bu çalışmada ray yüzey kusurlarını içeren etiketsiz görüntü veri seti ile sınıflandırıcı katmanları özelleştirilmiş Vgg16 ve MobileNetV3 Small ağları eğitilmiştir. Denetimsiz öğrenme ile etiketsiz verilerden sağlam rayların özelliklerini öğrenen ağlara, test için verilen görüntülerdeki kusurlar tespit ettirilmiştir. Kusurlar açıklama haritaları ile kullanıcıya gösterilmiştir. Ağların sınıflandırma başarısında Vgg16 %98, MobileNetV3 Small %96 doğruluk seviyesine ulaşırken, kusurlu bölgenin işaretlenmesini sağlayan açıklama haritalarında Vgg16’nin daha isabetli çıkarımlar yaptığı gözlemlenmiştir.
Abstract
Railways have carried people and their loads from the past to the present, and will continue to carry them in the future due to the increasing interest and demand. For safe transportation on railways, it is important to determine the rail strength autonomously and to take precautions beforehand. Within the scope of artificial intelligence-based computer vision applications, autonomous defect detection can be done with deep learning models. In recent years, the explainable artificial intelligence approach has become popular in defect (anomaly) detection. The defect that is detected by the system should be explained to the person who is the main decision maker, why it is faulty. In this study, Vgg16 and MobileNetV3 Small networks with customized classifier layers are trained with an unlabeled image dataset containing rail surface defects. With unsupervised learning, the networks that learned the properties of solid rails from unlabeled data were detected in the images given for testing. Defects are shown to the user with annotation maps. While Vgg16 reached 98% accuracy and MobileNetV3 Small 96% accuracy in the classification success of the networks, it was observed that Vgg16 made more accurate inferences in the annotation maps that marked the defective region.