Dissertação

{pt_PT=Automatic Detection of Railway Track Obstacles using a Monocular Camera} {} EVALUATED

{pt=As linhas ferroviárias constituem um dos fatores mais importantes para o desenvolvimento socioecónomico de uma nação. Devido ao seu impacto inquestionável, a sua monitorização deve ser definida com uma prioridade de alto nível. Nesta dissertação são desenvolvidas e testadas duas abordagens baseadas em métodos de visão computacional e deep learning para a deteção automática de obstáculos nas linhas férreas, como é o caso de árvores e pedras de elevadas dimensões, resultantes da queda de pedras. O algoritmo de visão computacional recorre a técnicas de processamento de imagem, tais como a deteção de arestas e a segmentação da imagem em superpíxeis. O algoritmo baseado em deep learing utilizada uma rede previamente treinada (transfer learing), a qual é modificada e retreinada no dataset desenvolvido. Neste trabalho são considerados dois tipos de obstáculos: obstáculos diretos indiretos. O primeiro tipo refere a elementos que obstruam diretamente os carris ferroviários. O segundo refere-se a obstáculos de grandes dimensões localizados nas proximidades dos carris, suscetíveis a coliridir com um comboio durante a sua passagem. Os dois algoritmos operam em imagens RGB de linhas férreas, capturadas por uma única camera monocular. Devido à inexistência de um dataset com obstáculos, procedeu-se à criação manual do dataset necessário para desenvolver e testar os dois métodos abordados. Numa fase final, os algoritmos foram testados num modelo à escala composto por uma webcam e um conjunto de carris à escala. Verificou se que os melhores resultados foram obtidos através do algoritmo de deep learning., en=Railway tracks are one of the most important factors for the social-economical development of a nation. Due to its unquestionable impact, railway monitorization should be defined as a high priority task. In this work two solutions are developed and tested, based on computer vision and deep learning for the automatic obstacle detection in railway tracks, such as fallen trees or large dimension rocks resulting from rockslides. The computer vision-based algorithm employs image processing techniques such as edge detection and image segmentation using superpixels. The deep learning approach uses a pretrained network (transfer learning) which is modified and retrained over the target dataset. In this dissertation two types of obstacles are considered: direct and indirect obstacles. The first refers to elements directly obstructing the railway rails. The second refers to large obstacles located in the vicinity of the rails, susceptible of colliding with a passing train. Both algorithms perform upon RGB images of railway tracks, captured by a single monocular camera. Since no data set depicting railway track obstacles is known to exist, it was required to artificially create one to develop and test both methods developed. In the final phase, both algorithms were tested on a scale model composed of a webcam and railway tracks models. It was verified that the best results were obtained with the deep learning algorithm. }
{pt=Linhas Férreas, Obstáculos, Deteção Automática, Visão Computacional, Redes de Convolução, en=Railway Tracks, Obstacles, Automatic Detection, Computer Vision, Convolutional Neural Networks}

junho 18, 2020, 15:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Alexandra Bento Moutinho

Departamento de Engenharia Mecânica (DEM)

Professor Auxiliar