Dissertação
Semi-supervised deep rule-based approach for the classification of wagon bogie springs condition
Autor
Viriato Neto, Carlos Manuel
Institución
Resumen
The wagons are submitted to stressing cycles with heavy loads, increasing their bogie defects through springs fatigue, then, the capacity to detect critical freight cars conditions enables to guarantee the safety production and high productivity of transportation systems. The image processing and computational intelligence techniques are increasingly participating in the solution for this scenario, especially human interpretable and self-evolve models which can learn new classes actively without human experts’ involvement to self-evolve and perform classification on out-of-sample images. In this sense, this dissertation presents a new approach model for the classification of wagon bogie springs condition through images acquired by a wayside equipment. As such, we are discussing the application of a semi-supervised learning approach based on a deep rules-based (DRB) classifier learning approach to achieve a high classification of a bogie, and check if they either have spring problems or not. We use a pre-trained VGG19 deep convolutional neural network to extract the attributes from images to be used as input to the Fuzzy Rule Based (FRB) layer of the semi-supervised DRB (SSDRB) classifier and evaluated with euclidean, cosine, manhattan, minkowski, chebyshev distance measures. The performance is calculated based on the dataset composed of images provided by a Brazilian railway company which covers the two spring condition : normal condition (no elastic reserve problems) and bad condition (with elastic reserve problems). Also, an additive Gaussian noise levels, Cauchy noise and Laplace noise are applied to the images to challenge the proposed model and to represent possible problems on image acquisition. Finally, we discuss the performance analysis of the semi-supervised DRB (SSDRB) classifier and its distinctive characteristics with each distance measure compared with other classifiers. The reported results demonstrate a relevant performance of the SSDRB classifier applied to the questions raised as well the importance of evaluation of distance measure to achieve a high classification Vagões são submetidos a ciclos de estresse com cargas pesadas, aumentando seus defeitos no truque por fadiga de molas, então, a capacidade de detectar condições críticas dos vagões de carga permite garantir a produção com segurança e alta produtividade dos sistemas de transporte. As técnicas de processamento de imagens e inteligência computacional estão cada vez mais participando da solução para este cenário, principalmente os modelos interpretáveis e auto-evolutivos que podem aprender novas classes ativamente sem o envolvimento de especialistas humanos para auto-evoluir e realizar a classificação em imagens fora da amostra. Nesse sentido, esta dissertação apresenta um novo modelo de abordagem para a classificação do estado das molas dos truques dos vagões através de imagens adquiridas por um equipamento as margens da ferrovia. Como tal, é discutido a aplicação de uma abordagem de aprendizado semi-supervisionado baseada em uma abordagem de aprendizado de classificador baseado em regras profundas (DRB) para obter uma alta classificação do truque e verificar se eles molas com problemas ou não. Uma rede neural convolucional profunda VGG19 pré-treinada é usada para extrair os atributos de imagens a serem usados como entrada para a camada de regras baseadas em fuzzy (FRB) do classificador semi-supervisionado DRB (SSDRB) e avaliados com as métricas de distância euclidiano, cosseno, manhattan, minkowski and chebyshev. O desempenho é calculado com base no conjunto de dados composto por imagens fornecidas por uma empresa ferroviária brasileira que abrange as duas condições de mola: condição normal (sem problemas de reserva elástica) e condição ruim (com problemas de reserva elástica). Além disso, níveis de ruído gaussiano, ruído de Cauchy e ruído de Laplace são aplicados às imagens para desafiar o modelo proposto e representar possíveis problemas na aquisição de imagens. Por fim, discutimos a análise de desempenho do classificador semi-supervisionado DRB (SSDRB) e suas características distintivas a cada medida de distância comparada com outros classificadores. Os resultados relatados demonstram um desempenho relevante do classificador SSDRB aplicado às questões levantadas, bem como a importância da avaliação da medida de distância para alcançar uma classificação alta