فهرست نشریات علمی دسترسی آزاد ایران

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 بهینه‌سازی ظرفیت صنعت حمل‌و‌نقل ریلی از اهمیت ویژه‌ای برخردار است. بطوری که امروزه صنعت حمل‌و‌نقل ریلی درحال حرکت بسمت خودران‌سازی است. تشخیص موانع ریلی یک بهبود عملیاتی و ایمنی در راه‌آهن است که حمل‌و‌نقل ریلی را کارآمدتر، دقیق‌تر و قابل‌اعتمادتر می‌سازد. امروزه پیشرفت در فناوری‌های هوش مصنوعی و حسگرها باعث توسعه روش‌های تشخیص موانع و خودران‌سازی شده است. در این مقاله با بهره‌‌گیری از روش‌های مبتنی بر هوش مصنوعی و یادگیری عمیق به طراحی ساختاری پرداخته شده است که تشخیص زمان‌حقیقی موانع ریلی را با توازنی میان دقت و بار محاسباتی، ممکن می‌سازد. در روش پیشنهادی  ابتدا به‌منظور قطعه‌بندی خطوط ریلی سه مدل یادگیری عمیق با بهره‌گیری از معماری توجه هرمی و رمزگذار‌های شبکه‌ی رزنت فشرده‌سازی و تحریک، شبکه‌ی کارآمد  و شبکه بدون نرمالساز، توسط مجموعه‌ای از تصاویر رنگی، تحت آموزش و اعتبارسنجی قرار گرفتند. نتایج اعتبارسنجی نشان می‌دهد که مدل قطعه‌بندی مبتنی بر  شبکه‌ی بدون نرمالساز با چند دهم درصد اختلاف از دو مدل دیگر دقیق‌تر است. این در حالی است که بار محاسباتی مدل  مبتنی بر شیکه‌ی کارآمد حدوداً  و  برابر بار محاسباتی مدل‌های مبتنی بر شبکه‌های رزنت سوپر پیچشی و بدون  نرمالساز است. به‌منظور تشخیص اشیا نسخه‌های پنجم و هفتم الگوریتم یولو   تحت آموزش و اعتبارسنجی قرار گرفتند. نتایج نشان می‌دهد که دقت نسخه هفتم یولو در تشخیص موانع تعریف‌شده درصد از  دقت نسخه پنجم این مدل بیشتر است. درنهایت پس از پیاده‌سازی مدل‌ قطعه‌بندی ریل مبتنی بر شبکه‌ی کارآمد و  نسخه هفتم الگوریتم یولو در ساختار پیشنهادی عملیات تشخیص موانع با بررسی وجود همپوشانی میان ماسک مسیر حرکت قطار و کادر‌های محصورکننده‌ی اشیا انجام شد. در روش پیشنهادی تشخیص حضور موانع در مسیر حرکت قطار به ارسال پیام هشدار می‌انجامد. ازاین‌رو می‌توان از این روش پیشنهادی به‌عنوان سیستم کمک راهبر قطار استفاده نمود تا از خطای احتمالی راهبر جلوگیری شود.