Kör ve Adaptif GAN Tabanlı Süper Çözünürlük ile Raylı Sistem Kusur Tespiti
Abstract views: 32
/ 
PDF downloads: 12
Keywords:
Raylı Sistemler, Süper Çözünürlük, Generative Adversarial Networks (GAN), CNN, Kusur TespitiAbstract
Raylı sistemlerde güvenli ve kesintisiz işletmenin sağlanabilmesi, ray yüzeyi ve bağlantı
elemanlarında oluşabilecek kusurların erken ve doğru biçimde tespit edilmesine bağlıdır. Ancak gerçek
saha koşullarında elde edilen ray görüntüleri çoğu zaman düşük çözünürlük, gürültü ve çeşitli bozulmalar
içermekte, bu durum görüntü tabanlı kusur tespit sistemlerinin performansını sınırlamaktadır. Bu
çalışmada, bu problemi ele almak amacıyla kör ve adaptif bozulmalara dayanıklı, GAN tabanlı bir süper
çözünürlük modeli ile kusur sınıflandırma görevini birleştiren uçtan uca bir yaklaşım
önerilmektedir.Önerilen yöntem, düşük çözünürlüklü ray görüntülerinden yapısal detayları koruyan süper
çözünürlük çıktıları üretmekte ve bu çıktıları doğrudan kusur sınıflandırma modülüne girdi olarak
kullanmaktadır. Süper çözünürlük başarımı PSNR ve SSIM metrikleri ile ölçülmüş; elde edilen sonuçlar,
modelin ortalama yaklaşık 24 dB PSNR ve 0.95 SSIM değerlerine ulaştığını ve yüksek yapısal benzerlik
sağladığını göstermiştir.
Sınıflandırma performansı incelendiğinde, süper çözünürlük çıktıları kullanılarak %85.5 doğruluk
(accuracy) değerine ulaşılmış; precision, recall, F1-skoru, özgüllük, MCC, ROC-AUC gibi diğer
metriklerde de dengeli ve tatmin edici sonuçlar elde edilmiştir. Confusion matris ve ROC analizleri,
modelin özellikle kusurlu ray bileşenlerini tespit etme konusunda yüksek duyarlılık sergilediğini ortaya
koymaktadır. Elde edilen bulgular, süper çözünürlük ve sınıflandırma görevlerinin birlikte optimize
edilmesinin, raylı sistemlerde görüntü tabanlı kusur tespiti için etkili ve uygulanabilir bir çözüm
sunduğunu göstermektedir.
Downloads
References
C. Esveld, Modern Railway Track. MRT-Productions, 2001.
UIC, Railway Handbook on Energy Consumption. International Union of Railways, 2019.
M. P. Papaelias et al., “Inspection and condition monitoring techniques for railway track,” Insight, vol. 56, no. 1, pp. 25–32, 2014.
Q. Li et al., “Rail surface defect detection based on deep learning,” IEEE Transactions on Intelligent Transportation Systems, vol. 19, no. 4, pp. 1151–1160, 2018.
Y. Zhang et al., “Rail surface defect detection based on convolutional neural networks,” Applied Sciences, vol. 8, no. 9, p. 1607, 2018.
Z. Liu et al., “Railway fastener defect detection using Faster R-CNN,” Sensors, vol. 19, no. 18, p. 3971, 2019.
D. He et al., “Real-time rail surface defect detection using YOLO,” IEEE Access, vol. 8, pp. 186395–186405, 2020.
X. Zhao et al., “Deep learning-based rail surface defect classification,” Measurement, vol. 171, p. 108752, 2021.
J. Zhu et al., “Low-quality image challenges in industrial inspection,” Pattern Recognition Letters, vol. 125, pp. 663–671, 2019.
C. Dong et al., “Image super-resolution using deep convolutional networks,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 38, no. 2, pp. 295–307, 2015.
J. Kim et al., “Accurate image super-resolution using very deep convolutional networks,” in Proceedings of CVPR, 2016.
C. Ledig et al., “Photo-realistic single image super-resolution using a generative adversarial network,” in Proceedings of CVPR, 2017.
X. Wang et al., “ESRGAN: Enhanced super-resolution generative adversarial networks,” in ECCV Workshops, 2018.
Y. Wang et al., “RailGAN: GAN-based data augmentation for railway defect detection,” Sensors, vol. 22, no. 10, p. 3795, 2022.
K. Zhang et al., “Designing a practical degradation model for deep blind image super-resolution,” in Proceedings of ICCV, 2021.
D. Zheng, X. Liu, Y. Wang, and Z. Zhang,“A defect detection method for rail surface and fasteners based on deep learning,”IEEE Access, vol. 9, pp. 157456–157467, 2021.
H. Wang, J. Zhang, and Y. Liu, “Rail surface defect detection based on improved Mask R-CNN,”
Sensors, vol. 22, no. 9, 2022.
J. Y. Choi, S. H. Kim, and J. H. Lee, “Deep learning-based evaluation of rail surface defects using Fast R-CNN,” Applied Sciences, vol. 14, no. 3, 2024.
J. Du, Y. Li, and Z. Wang, “RSDNet: A multiscale rail surface defect detection network based on YOLOv8,” IEEE Transactions on Intelligent Transportation Systems, 2024.
Y. Xia, H. Zhang, and J. Sun, “Image generation and recognition for railway surface defect detection,” Sensors, vol. 23, no. 6, 2023.
M. A. Chung, S. Park, and J. Kim, “YOLOv3-based railway fastener defect detection with GAN-based data augmentation,” Measurement, vol. 237, 2025.
M. Y. Cheng, K. T. Lee, and W. Y. Chen, “Image quality enhancement using HybridGAN for railway safety inspection,” Automation in Construction, vol. 150, 2023.
S. Hu, Q. Li, and X. Chen, “Deep learning-based rail surface condition evaluation for maintenance decision support,” in Proceedings of the ICCV Workshops, 2025.
Eunus, S.I.; Hossain, S.; Ridwan, A.E.M.; Adnan, A.; Islam, M.S.; Karim, D.Z.; Alam, G.R.; Uddin, J. ECARRNet: An Efficient LSTM-Based Ensembled Deep Neural Network Architecture for Railway Fault Detection. AI 2024, 5, 482-503. https://doi.org/10.3390/ai5020024
