Zastosowanie hybrydowej sieci neuronowej do klasyfikacji uszkodzeń drewnianych podkładów kolejowych

W artykule przedstawiono system pozwalający na automatyczne diagnozowanie drewnianych podkładów kolejowych na podstawie ich obrazów wizyjnych. System ten składa się z algorytmów cyfrowego przetwarzania obrazów oraz z hybrydowej sieci neuronowej. Celem algorytmów przetwarzania obrazów jest wyodrębnienie najistotniejszych cech podkładów drewnianych, czyli długości i szerokości pęknięć, które zastosowano w klasyfikatorze neuronowym. Wykorzystano tu hybrydową sieć składającą się z kaskadowo połączonych sieci Kohonena oraz sieci MLP ang. Multi-layer Perceptron. W procesie uczenia systemu użyto 100 zdjęć podkładów dobrych oraz 100 zdjęć podkładów uszkodzonych. Błąd klasyfikacji systemu wynosił 16% dla zbioru obrazów podkładów nie biorących udziału w procesie uczenia i 5% dla zbioru obrazów uczestniczących w uczeniu.

---

The paper presents the system allowing for automatic diagnostic of railway wooden sleepers on the basis of their images. This system consists of digital image processing algorithms and hybrid network. Digital image processing algorithms extract from wooden sleeper’s images, the most salient features – the length and the width of the largest crack as well as the number of cracks. These features are given to the classifier - hybrid network. Presented hybrid network consists of two serially connected networks: Kohonen and MLP (Multi-layer Perceptron). During teaching process 100 images of sleepers with good state and 100 images of sleepers with poor state took part. Classification error was equal to 16% and 5% for images not taking part and taking part in teaching process respectively.