Peridinamik Tabanlı Bulanık Mantık Algoritması Yardımıyla Ray Yüzeyindeki Kusurların Tam Spektrum Görüntü İşleme ile Tespiti
Abstract
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.
Keywords
peridinamik, bulanık mantık, dalga boyu, ray kusuru
Thanks
Bu çalışma TÜBİTAK 2219 “Yurt Dışı Doktora Sonrası Araştırma Burs Programı” kapsamında desteklenmiştir.
References
- [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.