KaydedilenlerDerginizi ekleyin

Dergiler / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2021 / Cilt: 9 - Sayı: 1

Peridinamik Tabanlı Bulanık Mantık Algoritması Yardımıyla Ray Yüzeyindeki Kusurların Tam Spektrum Görüntü İşleme ile Tespiti

Detection of Rail Surface Defects by Full Spectrum Image Processing with the Help of Peridynamic Based Fuzzy Logic Algorithm

Cihan MIZRAK
Sayfa
16–27
Yayın Tarihi
2022-10-12
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ayrıca üç farklı tam spektrum örnek ray kusur görüntüsü ile geliştirilen algoritma test edilip, literatürdeki mevcut kenar bulma algoritmalarına göre daha iyi sonuç verdiği tespit edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada tam spektrum görüntü üzerinden ray kusurlarının belirlenmesine yönelik peridinamik tabanlı bulanık mantık algoritması geliştirilmiştir.
📊
Temel Bulgular & Veri:Örnek uygulama için tam spektrum ray kusuru görüntüsünün, gri skala tanım kümesinde Gaussian maskelemesi gerçekleştirilmiş, görüntünün farklı boyut ve mertebelerden türev alma işlemleri peridinamik sayısal türev alma metodu kullanılarak elde edilmitşir.
💡
Sonuç & Katkı:Ayrıca üç farklı tam spektrum örnek ray kusur görüntüsü ile geliştirilen algoritma test edilip, literatürdeki mevcut kenar bulma algoritmalarına göre daha iyi sonuç verdiği tespit edilmiştir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:peridinamik · bulanık mantık · dalga boyu

Özet

Bu çalışmada tam spektrum görüntü üzerinden ray kusurlarının belirlenmesine yönelik peridinamik tabanlı bulanık mantık algoritması geliştirilmiştir. Örnek uygulama için tam spektrum ray kusuru görüntüsünün, gri skala tanım kümesinde Gaussian maskelemesi gerçekleştirilmiş, görüntünün farklı boyut ve mertebelerden türev alma işlemleri peridinamik sayısal türev alma metodu kullanılarak elde edilmitşir. Alınan türevler bulanık mantık sisteminde değerlendiriltikten sonra görüntünün RGB ve HSV skalaları üzerinde üç temel dalga boyu dönüşümü yapılmıştır. Bulanık mantık çıktısı üzerine tatbik edilen en etkin üç dalga boyu ile ortak noktaların tespiti gerçekleştirilerek ray kusurlarının daha belirgin bir şekilde ortaya çıkması sağlanmıştır. Ayrıca üç farklı tam spektrum örnek ray kusur görüntüsü ile geliştirilen algoritma test edilip, literatürdeki mevcut kenar bulma algoritmalarına göre daha iyi sonuç verdiği tespit edilmiştir.

Abstract

In this study, a peridinamic based fuzzy logic algorithm has been developed for the detection of rail defects on a full spectrum image. For the sample application, Gaussian masking of the full spectrum ray defect image in the gray scale definition set was performed and the derivation operations of the image from different directions and orders were obtained by using the peridynamic numerical derivation method. Three different wavelength transformations were performed on the RGB and HSV scales of the image. By identifying the common points with the three most effective wavelengths applied on the fuzzy logic output, the rail defects are more pronounced. In addition, the algorithm developed with three different full spectrum sample ray defect images was tested and found to be better than the existing edge detection algorithms in the literature.

🔖

Bu Makaleye Atıf Yap

MIZRAK, C. (2022). Peridinamik Tabanlı Bulanık Mantık Algoritması Yardımıyla Ray Yüzeyindeki Kusurların Tam Spektrum Görüntü İşleme ile Tespiti. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 9 - Sayı: 1, 16–27. https://ajindex.com/articles/493917

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. P. W. Loveday, R. M. C. Taylor, C. S. Long, ve D. A. Ramatlo, “Monitoring the reflection from an artificial defect in rail track using guided wave ultrasound,” AIP Conference Proceedings, c. 1949, s. 1, 2018, doi: 10.1063/1.5031566
  2. S. Mariani ve F. L. di Scalea, “Predictions of defect detection performance of air-coupled ultrasonic rail inspection system,” Struct. Heal. Monit., c. 17, s. 3, ss. 684–705, 2018
  3. A. M. Boronakhin, D. Y. Larionov, L. N. Podgornaya, A. N. Tkachenko, ve R. V. Shalymov, “Detection and classification of rail track flaws using inertial and magnetometric sensors,” Proceedings of the 2018 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering, 2018, ss. 1066–1070
  4. J. Wei, C. Liu, T. Ren, H. Liu, ve W. Zhou, “Online condition monitoring of a rail fastening system on high-speed railways based on wavelet packet analysis,” Sensors, c. 17, s. 2, ss. 318, 2017, doi: 10.3390/s17020318
  5. Z. Xiong, Q. Li, Q. Mao, ve Q. Zou, “A 3D laser profiling system for rail surface defect detection,” Sensors, c. 17, s. 8, ss. 1791, 2017, doi: 10.3390/s17081791
  6. Z. Yunjie, G. Xiaorong, L. Lin, P. Yongdong, ve Q. Chunrong, “Simulation of laser ultrasonics for detection of surface-connected rail defects,” J. Nondestruct. Eval., c. 36, s. 4, ss. 70, 2017, doi: 10.1007/s10921-017-0451-3
  7. B. Siva, R. Krishna, D. V. S. Seshendra, G. Govinda Raja, T. Sudharshan, ve K. Srikanth, “Railway track fault detection system by using IR sensors and bluetooth technology,” Asian J. Appl. Sci. Technol., c. 1, s. 6, ss. 82–84, 2017
  8. N. Karthick, “Implementation of railway track crack detection and protection,” Int. J. Eng. Comput. Sci., c. 6, s. 5, ss. 21476-21481, 2017
  9. L. Zhuang, L. Wang, Z. Zhang, ve K. L. Tsui, “Automated vision inspection of rail surface cracks: A double-layer data-driven framework,” Transp. Res. Part C Emerg. Technol., c. 92, s. 1, ss. 258–277, 2018
  10. B. Yue, Y. Min, ve H. Ma, “An adaptive background adjusting algorithm for rail surface defect image segmentation,” 2nd International Conference on Information Technology and Management Engineering (ITME 2017), 2017, ss. 36-40
  11. J. Gan, Q. Li, J. Wang, ve H. Yu, “A hierarchical extractor-based visual rail surface inspection system,” IEEE Sens. J., c. 17, s. 23, ss. 7935–7944, 2017
  12. L. Shang, Q. Yang, J. Wang, S. Li, ve W. Lei, “Detection of rail surface defects based on CNN image recognition and classification,” 20th International