elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Rail Surface Defect Detection and Severity Analysis Using CNNs on Camera and Axle Box Acceleration Data

Jahan, Kanwal und Lähns, Alexander und Baasch, Benjamin und Heusel, Judith und Roth, Michael (2024) Rail Surface Defect Detection and Severity Analysis Using CNNs on Camera and Axle Box Acceleration Data. In: Lecture Notes in Mechanical Engineering, Seiten 423-435. Springer. 7th International Congress and Workshop on Industrial AI and eMaintenance, IAI 2023, 2023-06-13 - 2023-06-15, Luleå, Schweden. doi: 10.1007/978-3-031-39619-9_31. ISBN 978-303038076-2. ISSN 2195-4356.

[img] PDF - Nur DLR-intern zugänglich bis 1 Januar 2025
1MB

Offizielle URL: https://link.springer.com/chapter/10.1007/978-3-031-39619-9_31

Kurzfassung

Rail surface defect detection is a relevant problem in the field of data-driven railway maintenance. Artificial intelligence and neural networks (NN) for axle box acceleration (ABA) or camera data show great potential for defect detection and classification. However, a sufficient amount of labeled training data is required, all the more if the defect severity is to be estimated. A unique dataset of time-synchronized ABA and camera data is employed that contains labeled defect instances. For the image analysis, RetinaNet as a single-stage object detector (with the backbone of ResNet-50 and a feature pyramid network) is used to achieve high classification performance for the two most common rail surface defects (squat and corrugation). Additionally, a machine learning-based method on ABA data to estimate defect severity levels (low, medium, heavy) is proposed. False positives are detected in the original labels by both classifiers during evaluation. The inspection of the false positives in image data reveals that defects have been overlooked in the initial labeling. The insights of this work help to reduce the dependency on labeled data by using only a few labeled samples and by exploiting complementary data sources instead of increasing the number of labeled instances.

elib-URL des Eintrags:https://elib.dlr.de/201722/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Rail Surface Defect Detection and Severity Analysis Using CNNs on Camera and Axle Box Acceleration Data
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Jahan, KanwalKanwal.Jahan (at) dlr.dehttps://orcid.org/0009-0000-6977-239XNICHT SPEZIFIZIERT
Lähns, Alexanderalexander.laehns (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Baasch, BenjaminBenjamin.Baasch (at) dlr.dehttps://orcid.org/0000-0003-1970-3964NICHT SPEZIFIZIERT
Heusel, JudithJudith.Heusel (at) dlr.dehttps://orcid.org/0009-0007-7573-6652NICHT SPEZIFIZIERT
Roth, MichaelM.Roth (at) dlr.dehttps://orcid.org/0000-0002-4812-346XNICHT SPEZIFIZIERT
Datum:1 Januar 2024
Erschienen in:Lecture Notes in Mechanical Engineering
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1007/978-3-031-39619-9_31
Seitenbereich:Seiten 423-435
Verlag:Springer
Name der Reihe:Lecture Notes in Mechanical Engineering
ISSN:2195-4356
ISBN:978-303038076-2
Status:veröffentlicht
Stichwörter:Deep learning, Convolutional neural network, Time-synchronized dataset, Supervised learning, Severity analysis, Rail surface defects Squats, Corrugation
Veranstaltungstitel:7th International Congress and Workshop on Industrial AI and eMaintenance, IAI 2023
Veranstaltungsort:Luleå, Schweden
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:13 Juni 2023
Veranstaltungsende:15 Juni 2023
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Verkehr
HGF - Programmthema:Schienenverkehr
DLR - Schwerpunkt:Verkehr
DLR - Forschungsgebiet:V SC Schienenverkehr
DLR - Teilgebiet (Projekt, Vorhaben):V - TraCo - Train Control and Management
Standort: Berlin-Adlershof , Braunschweig
Institute & Einrichtungen:Institut für Verkehrssystemtechnik > Informationsgewinnung und Modellierung, BA
Institut für Verkehrssystemtechnik > Informationsgewinnung und Modellierung, BS
Hinterlegt von: Baasch, Dr. Benjamin
Hinterlegt am:29 Jan 2024 09:56
Letzte Änderung:24 Apr 2024 21:02

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.