Detecção de anomalias em trilho utilizando visão computacional

Abstract

RESUMO: O sistema ferroviário apresenta uma importante atuação na logística do transporte de cargas e de pessoas no país. Para garantir a qualidade e a segurança do serviço ferroviário, a manutenção dos trilhos precisa sempre estar no foco das empresas que detém a concessão das ferrovias. O objetivo deste trabalho é propor uma ferramenta computacional que classifica através de imagens dos trilhos, defeitos encontrados nas superfícies dos boletos. São identificados e classificados três tipos de defeitos: trilhos com a superfície do boleto em bom estado (TIPO A), trilhos com danos na superfície do boleto que podem ainda passar por uma manutenção de esmerilhamento (TIPO B) e trilhos com danos severos na superfície do boleto e que precisam de substituição imediata (TIPO C). A característica de textura, é uma fonte importante de informações para o processo de análise e interpretação de uma imagem. A textura é definida através de um conjunto de medidas locais descrevendo as variações espaciais de intensidade ou cor de cada pixel. Baseando-se nas características de textura, é apresentado uma metodologia de processamento da imagem através de uma abordagem estatística da matriz de coocorrência gerada de cada imagem. De cada tipo de trilho são extraídas características que servirão de entrada para o classificador utilizado neste trabalho. Com o uso do algoritmo de aprendizado de máquinas supervisionado SVM (Support Vector Machine) foi feito um treinamento do algoritmo e posterior classificação das amostras dos boletos dos trilhos em suas devidas classes. No final deste trabalho é apresentado métricas avaliativas da resposta do classificador usado.

ABSTRACT: The railway system has an important role in the logistics of transporting cargo and people in the country. To guarantee the quality and safety of the railway service, the maintenance of the rails must always be the focus of the companies that hold the railway concession. The objective of this work is to propose a computational tool that classifies, through images of the rails, defects found on the billet surfaces. Three types of defects are identified and classified: rails with the billet surface in good condition (TYPE A), rails with damage to the billet surface that can still undergo grinding maintenance (TYPE B) and rails with severe surface damage and that need immediate replacement (TYPE C). The texture feature is an important source of information for the process of analyzing and interpreting an image. The texture is defined through a set of local measurements describing the spatial variations of intensity or color of each pixel. Based on the texture characteristics, an image processing methodology is presented through a statistical approach to the co-occurrence matrix generated for each image. From each type of rail, characteristics are extracted that will serve as input for the classifier used in this work. Using the SVM supervised machine learning algorithm (Support Vector Machine), the algorithm was trained and subsequently classified the samples of the rail slips into their proper classes. At the end of this work, evaluation metrics of the response of the classifier used are presented.