Detection of pantograph geometric model based on fuzzy logic and image processing

Yaman, Orhan; Karaköse, Mehmet; Aydın, İlhan; Akın, Erhan

doi:10.1109/siu.2014.6830322

Cited by 13 publications

(2 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…It is also easy to implement the Sobel algorithm on the FPGA development kit. Sobel edge detection algorithm is a scanning process with 3x3 size and matrices on the image matrix [21][22][23]. and matrices are given in the equation 1.…”

Section: Proposed Methodsmentioning

confidence: 99%

A Fault Diagnosis Approach for Rail Surface Anomalies Using FPGA in Railways

Yaman

Karaköse

Akın

2017

ijamec

Self Cite

View full text Add to dashboard Cite

Railway transport is a widely used means of transportation for passenger and cargo transportation. In recent years, more emphasis has been placed on railway transport. With the development of high-speed trains, it has become important for passenger transport. Due to the heavy construction of the train, continuous failures occur in the railway line. Various methods of inspection are available to detect these failures. In case of early fault detection and repair of major accidents can be prevented. In this study, an FPGA based method is proposed for rail surface inspection and fault diagnosis. The proposed method is realized by image processing with FPGA. The image is taken on the railway line with the camera attached to the FPGA development board. Pre-processing is performed on the obtained image. Edge extraction is applied to the image after pre-processing. The rail surface is detected using the image obtained as a result of edge extraction. The proposed method works in real time to monitor and diagnose faults. It detects many defects on the track surface. In addition, the proposed method measures the size of the fault on the rail surface. In this study, FPGA based condition monitoring device was developed. An architecture has been developed for implementing the proposed method with FPGA. This work using FPGA technology is low cost and fast compared to other methods. The proposed method is quite advantageous because of its realtime operation.

show abstract

Section: Proposed Methodsmentioning

confidence: 99%

A Fault Diagnosis Approach for Rail Surface Anomalies Using FPGA in Railways

Yaman

Karaköse

Akın

2017

ijamec

Self Cite

View full text Add to dashboard Cite

show abstract

“…pantograf katener sistemlerinden alınan görüntüler kullanılarak pantograf sisteminin geometrik modelini oluşturup, hangi tür pantograf olduğu tespit etmişlerdir. Bu çalışmada pantograf tespiti için Hough dönüşümü ve bulanık mantık tekniklerini birlikte kullanmışlardır [8]. Benzer şekilde Karaköse ve diğ., pantograf katener sistemlerde görüntü işleme tekniklerini kullanarak ark tespitini yapmışlardır [9].…”

Section: Introductionunclassified

Detection of Pantograph Horn Defects Based on Deep Learning and Image Processing

BAŞTÜRK

YÜKSEL

Tetik

et al. 2022

Demiryolu Mühendisliği

View full text Add to dashboard Cite

Görüntüler üzerinden hata ve anomalilerin otomatik tespiti, özellikle demiryolu taşımacılığı için kestirimci bakım uygulamalarında gün geçtikçe daha fazla yer bulmaktadır. Geleneksel bakım teknikleri, trenler için tam olarak güvenilemeyecek manuel çözümler içerirken; günümüzde görüntü işleme sayesinde daha sağlam çözümler üretilmektedir. Bu sayede bakım maliyetleri ve bakım süreleri de azalmaktadır. Trenler uzun mesafeler kat ettiğinden, trendeki sistemlerin yol boyunca zarar görmesi çok olasıdır. Hasar görme riski yüksek olan bu sistemlerden bir tanesi de pantograf-katener sistemidir. Pantografın katener ile temas eden bölgesi karbon şerittir ve katener sistemdeki elektriği trene iletmesi sebebiyle trene bağlı bileşenlerden en önemlilerinden bir tanesidir. Bu öneminden dolayı, karbon şeridi ağaç dalları gibi hasar verebilecek dış etkenlerden korumak için pantograf boynuzlarına ihtiyaç vardır. Karbon şerit yerine pantograf boynuzları hasar gördüğü için pantograf boynuzlarının bakıma ihtiyacının olup olmadığının bilinmesi önemlidir. Hasarlı boynuzların tespiti, görüntü işleme ve derin öğrenme tekniklerinden yararlanılarak otomatik olarak yapılabilir. Bu çalışmada, farklı çevresel koşullarda farklı hatalara sahip olan ve olmayan pantograf boynuzlarını içeren 34 adet simülasyon videosu oluşturulmuştur. Bu videolardan elde edilen kareler ayrı ayrı işlenmiştir. Temel görüntü işleme teknikleri sayesinde pantograf dışındaki arka plan nesneleri kaldırılmış, derin öğrenme modeli ile pantograf boynuz bölgeleri tespit edilmiş ve evrişimli sinir ağı sayesinde bir boynuzun hatalı olup olmadığı sınıflandırılmıştır. Oluşturulan metot ile bir pantograf boynuzunun hatalı veya sağlıklı olmasına %95,36 oranında doğru karar verilmektedir. Yüksek doğrulukla çalışan bu yeni yöntem, pantograf boynuz analizi üzerine literatüre önemli bir katkı sağlamaktadır.

show abstract