Railways carry people and their cargo. Checking the rails is important for safe rail travel. Rails are usually controlled manually by humans. With the developing technology, UAVs are now replacing humans in many tasks. Manually checking the rails is time consuming and costly. Therefore, the rails can be controlled by UAVs. In order for UAVs to control the rails, they must fly autonomously on the rails. In order to do this, segmentation must be done on the ray images. Image segmentation is one of the studies in the field of computer vision. Deep learning is used in these studies. UNet, ICNet and BiSeNet V2, which are deep learning-based convolutional neural networks, are used in computer vision applications. These networks, which are used in real-time image segmentation tasks in the literature, were trained by customizing the publicly shared Railsem19 dataset. Networks, which reached 98% segmentation accuracy on 1024×512 pixel resolution images, reached approximately 15 fps on real-time images taken from the railway by UAV. Real-time segmentation video of the networks can be viewed at https://youtu.be/piVTdsDPzfg. A PID flight control system for autonomous UAV flight is also proposed in the study.
ADEP.22.02
Demiryolları insan ve yükünü taşır. Güvenli bir demiryolu seyahati için rayların kontrol edilmesi önemlidir. Raylar genelde insanlar tarafından manuel olarak kontrol edilmektedir. Gelişen teknolojiyle artık İHA'lar birçok görevde insanın yerini almaktadır. Rayların manuel olarak kontrol edilmesi zaman alıcı ve maliyetli bir iştir. Bu nedenle raylar İHA'lar tarafından kontrol edilebilir. İHA'ların rayları kontrol edebilmesi için rayların üzerinde otonom olarak uçması gerekir. Bunu yapabilmesi için ray görüntüleri üzerinde segmentasyon yapılmalıdır. Görüntü segmentasyonu bilgisayarlı görü alanında yapılan çalışmalardandır. Bu çalışmalarda derin öğrenmeden faydalanılmaktadır. Derin öğrenme tabanlı evrişimsel sinir ağlarından olan UNet, ICNet ve BiSeNet V2, bilgisayarlı görü uygulamalarında kullanılmaktadırlar. Literatürde gerçek zamanlı görüntü segmentasyonu görevlerinde kullanılan bu ağlar halka açık olarak paylaşılan Railsem19 veri seti özelleştirilerek eğitilmiştir. 1024×512 piksel çözünürlüğündeki görüntüler üzerinde %98 segmentasyon doğruluğuna ulaşan ağlar İHA ile demiryolundan alınan gerçek zamanlı görüntülerde yaklaşık 15 fps hıza ulaşmışlardır. Ağların gerçek zamanlı segmentasyon videosu https://youtu.be/piVTdsDPzfg bağlantısından izlenilebilir. Çalışmada ayrıca otonom İHA uçuşu bir PID uçuş kontrol sistemi önerilmiştir.
Bu çalışma Fırat Üniversitesi Bilimsel Araştırma Projeleri tarafından ADEP.22.02 proje numarası ile desteklenmiştir.
ADEP.22.02
Bu çalışma Fırat Üniversitesi Bilimsel Araştırma Projeleri tarafından ADEP.22.02 proje numarası ile desteklenmiştir.
Primary Language | Turkish |
---|---|
Subjects | Image Processing, Deep Learning, Machine Vision |
Journal Section | Computer Engineering |
Authors | |
Project Number | ADEP.22.02 |
Publication Date | March 3, 2024 |
Submission Date | September 27, 2023 |
Published in Issue | Year 2024Volume: 27 Issue: 1 |