mohammad sandidzadeh

راه آهن به عنوان یک شریان ارتباطی موثر جایگاه ویژه ای در رشد و توسعه اقتصادی کشورها دارد. از همین رو افزایش دقت، قابلیت اطمینان و بهینه سازی ظرفیت صنعت حمل و نقل ریلی از اهمیت ویژه ای برخردار است. بطوری که امروزه صنعت حمل و نقل ریلی درحال حرکت بسمت خودران سازی است. تشخیص موانع ریلی یک بهبود عملیاتی و ایمنی در راه آهن است که حمل و نقل ریلی را کارآمدتر، دقیق تر و قابل اعتمادتر می سازد. امروزه پیشرفت در فناوری های هوش مصنوعی و حسگرها باعث توسعه روش های تشخیص موانع و خودران سازی شده است. در این مقاله با بهره گیری از روش های مبتنی بر هوش مصنوعی و یادگیری عمیق به طراحی ساختاری پرداخته شده است که تشخیص زمان حقیقی موانع ریلی را با توازنی میان دقت و بار محاسباتی، ممکن می سازد. در روش پیشنهادی  ابتدا به منظور قطعه بندی خطوط ریلی سه مدل یادگیری عمیق با بهره گیری از معماری توجه هرمی و رمزگذار های شبکه ی رزنت فشرده سازی و تحریک، شبکه ی کارآمد  و شبکه بدون نرمالساز، توسط مجموعه ای از تصاویر رنگی، تحت آموزش و اعتبارسنجی قرار گرفتند. نتایج اعتبارسنجی نشان می دهد که مدل قطعه بندی مبتنی بر  شبکه ی بدون نرمالساز با چند دهم درصد اختلاف از دو مدل دیگر دقیق تر است. این در حالی است که بار محاسباتی مدل  مبتنی بر شیکه ی کارآمد حدودا  و  برابر بار محاسباتی مدل های مبتنی بر شبکه های رزنت سوپر پیچشی و بدون  نرمالساز است. به منظور تشخیص اشیا نسخه های پنجم و هفتم الگوریتم یولو   تحت آموزش و اعتبارسنجی قرار گرفتند. نتایج نشان می دهد که دقت نسخه هفتم یولو در تشخیص موانع تعریف شده درصد از  دقت نسخه پنجم این مدل بیشتر است. درنهایت پس از پیاده سازی مدل قطعه بندی ریل مبتنی بر شبکه ی کارآمد و  نسخه هفتم الگوریتم یولو در ساختار پیشنهادی عملیات تشخیص موانع با بررسی وجود همپوشانی میان ماسک مسیر حرکت قطار و کادر های محصورکننده ی اشیا انجام شد. در روش پیشنهادی تشخیص حضور موانع در مسیر حرکت قطار به ارسال پیام هشدار می انجامد. ازاین رو می توان از این روش پیشنهادی به عنوان سیستم کمک راهبر قطار استفاده نمود تا از خطای احتمالی راهبر جلوگیری شود.