Применение нейронных сетей семейства YOLO для обнаружения полезных сигналов на вихретоковых дефектограммах рельсов

Повышение уровня безопасности железнодорожного движения напрямую связано с необходимостью оперативного обнаружения структурных аномалий элементов рельсового пути. Данная задача реализуется посредством регулярных проверок состояния рельсов с применением методов неразрушающего контроля. Среди современных технологий, используемых для этой цели, выделяется вихретоковая дефектоскопия. Дефектоскоп формирует многоканальный дискретный сигнал, который называется дефектограммой. Дефектограммы нуждаются в анализе, то есть в выявлении полезных сигналов, указывающих на дефект или конструктивные элементы рельса. В работе рассматривается применение детектирующих свёрточных нейронных сетей семейства YOLO (You Only Look Once) для автоматического обнаружения полезных сигналов рельсов на вихретоковых дефектограммах рельсов. Цель исследования – оценить эффективность различных способов преобразования многоканального сигнала в двумерные изображения, совместимые с YOLO. Исследованы четыре метода преобразования: пороговое, основанное на сравнении амплитуд с пороговым уровнем шума, оконное преобразование Фурье, непрерывное вейвлет‑преобразование и преобразование Гильберта‑Хуанга. Набор данных для обучения состоит из фрагментов дефектограмм по 50 тыс. отсчётов с полезными сигналами трёх классов (болтовые стыки, электроконтактные и алюминотермитные сварки). Данные разделены на обучающую, валидационную и тестовую выборки. Обученные на этих данных модели YOLO для всех рассмотренных методов преобразования продемонстрировали высокие показатели сбалансированной средней точности mAP. Наилучшие показатели были достигнуты при использовании непрерывного вейвлет-преобразования, в то время как пороговое преобразование оказалось наименее вычислительно затратным. Оконное преобразование Фурье позволило достичь лучшего баланса между точностью и полнотой обнаружения полезных сигналов. Результаты исследования подтверждают потенциал использования сетей YOLO для анализа вихретоковых дефектограмм и сигналов в целом.

1. Kuzmin E. V., Gorbunov O. E., Plotnikov P. O., Tyukin V. A. Finding the Level of Useful Signals on Interpretation of Magnetic and Eddy-Current Defectograms. Automatic Control and Computer Sciences, vol. 52, 2018, pp. 658-666. DOI: 10.3103/S0146411618070179.

2. Быстров Л. Ю., Гладков А. Н., Кузьмин Е. В. Подавление аддитивных периодических низкочастотных помех на вихретоковых дефектограммах. Моделирование и анализ информационных систем, 31(2), с. 164-181. DOI: 10.18255/1818-1015-2024-2-164-181. / Bystrov L.Y., Gladkov A.N., Kuzmin E.V. Suppression of additive periodic low-frequency interference on eddy current defectograms. Modeling and Analysis of Information Systems, 31(2), 2024, pp. 164-181 (In Russian).

3. Chao-Lung Y., Zhi-Xuan C., Chen-Yi Y. Sensor Classification Using Convolutional Neural Network by Encoding Multivariate Time Series as Two-Dimensional Colored Images. Sensors, 20(1), 2019, article no. 168. DOI: 10.3390/s20010168.

4. Terven J., Cordova-Esparza, D. M., Romero-González J. A. A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS. Machine Learning and Knowledge Extraction, 5(4), 2023, pp. 1680-1716. DOI: 10.3390/make5040083.

5. Hussain M. YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature toward Digital Manufacturing and Industrial Defect Detection. Machines, 11(7), 2023, article no. 677. DOI: 10.3390/machines11070677.

6. Wyse L. Audio Spectrogram Representations for Processing with Convolutional Neural Networks. 2017. DOI: 10.48550/arXiv.1706.09559. – Available at: https://arxiv.org/abs/1706.09559.

7. Junior R. F. R. et al. Fault Detection and Diagnosis in Electric Motors Using Convolution Neural Network and Short-Time Fourier Transform. Journal of Vibration Engineering & Technologies, vol. 10, 2022, pp. 1-12. DOI: 10.1007/s42417-022-00501-3.

8. Modupalli V. P. CNN-Based Machine Tool Monitoring with STFT Image Analysis. International Journal for Research in Applied Science and Engineering Technology, 12(5), 2024, pp. 3986-3991. DOI: 10.22214/ijraset.2024.62493.

9. Yu Y., Liu Q., Han B. S., Zhou W. Application of Convolutional Neural Network to Defect Diagnosis of Drill Bits. Applied Sciences, 12(21), 2022, article no. 10799, 13 p. DOI: 10.3390/app122110799.

10. Cheng C., Seo H., Zhao Y. A Novel Pavement Transverse Cracks Detection Model Using WT-CNN and STFT-CNN for Smartphone Data Analysis. International Journal of Pavement Engineering, 23(12), 2021, pp. 1-13. DOI: 10.1080/10298436.2021.1945056.

11. Kang X. et al. Optimal Preprocessing for Joint Detection and Classification of Wireless Communication Signals in Congested Spectrum Using Computer Vision Methods. 2024. DOI: 10.48550/arXiv.2408.06545. – Available at: https://arxiv.org/abs/2408.06545.

12. Liu C., Wang D., Lin Y., Song, S. Research on Online Monitoring of Chatter Based on Continuous Wavelet Transform and Convolutional Neural Network – Vision Transformer (CNN-ViT). Mechanical Sciences, 16(1), 2025, pp. 167-180. DOI: 10.5194/ms-16-167-2025.

13. Lupea I., Lupea M. Continuous Wavelet Transform and CNN for Fault Detection in a Helical Gearbox. Applied Sciences, 15(2), 2025, article no. 950, 23 p. DOI: 10.3390/app15020950.

14. Pałczyński C., Olejnik P. Anomalies Classification in Fan Systems Using Dual-Branch Neural Networks with Continuous Wavelet Transform Layers: An Experimental Study. Information, 16(2), 2025, article no. 71, 13 p. DOI: 10.3390/info16020071.

15. Piedad E. J., Rosario C., Prieto-Araujo E., Bellmunt O. Exploring Wavelet Transformations for Deep Learning-Based Machine Condition Diagnosis. In Proc. of the International Conference on Diagnostics in Electrical Engineering (Diagnostika), 2024, pp. 1-4. DOI: 10.1109/Diagnostika61830.2024.10693895.

16. Siddique M. F, Ahmad Z, Ullah N, Kim J. A Hybrid Deep Learning Approach: Integrating Short-Time Fourier Transform and Continuous Wavelet Transform for Improved Pipeline Leak Detection. Sensors (Basel), 23(19), 2023, article no. 8079. DOI: 10.3390/s23198079.

17. Ch Vidyasagar K. E. et al. Signal to Image Conversion and Convolutional Neural Networks for Physiological Signal Processing: A Review. IEEE Access, vol. 12, 2024, pp. 66726-66764. DOI: 10.1109/ACCESS.2024.3399114.

18. Alvarenga T. A. et al. Detection and Classification System for Rail Surface Defects Based on Eddy Current. Sensors, 21(23), 2021, article no. 7937. DOI: 10.3390/s21237937.

19. Sagar B., Kane P. Intelligent Bearing Fault Diagnosis of Switched Reluctance Motor Using Hilbert Huang Transformation and Region-Based Convolutional Neural Network. The International Journal of Acoustics and Vibration, 29(4), 2024, pp. 431-441. DOI: 10.20855/ijav.2024.29.42072.

20. Srivastava S. et al. Comparative analysis of deep learning image detection algorithms.

21. Journal of Big Data, 8(66), 2021. DOI: 10.1186/s40537-021-00434-w.

22. Available at: https://journalofbigdata.springeropen.com/articles/10.1186/s40537-021 00434-w.

23. Po-Liang Y., Pei-Ling L. Automatic Detection of Crack Echo Signals in Spectrogram Using Yolo. Available at: https://ssrn.com/abstract=4885492. DOI: 10.2139/ssrn.4885492.

24. Vargas V. M. et al. Gramian Angular and Markov Transition Fields Applied to Time Series Ordinal Classification. Advances in Computational Intelligence, 2023, pp. 505-516. DOI: 10.1007/978 3 031 43078-7_41.

25. Zhang Y., Chen X. Motif Difference Field: A Simple and Effective Image Representation of Time Series for Classification. 2020. DOI: 10.48550/arXiv.2001.07582. – Available at: https://arxiv.org/abs/2001.07582.

26. Jun-Hao C., Yun-Cheng T. Dynamic Deep Convolutional Candlestick Learner. 2022. DOI: 10.48550/arXiv.2201.08669. – Available at: https://arxiv.org/abs/2201.08669.

27. Dan-Feng W. et al. Planetary-Gearbox Fault Classification by Convolutional Neural Network and Recurrence Plot. Applied Sciences, 10(3), 2020, article no. 932. DOI: 10.3390/app10030932.

28. Som A. et al. PI-Net: A Deep Learning Approach to Extract Topological Persistence Images. In Proc. of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, 2020, pp. 3639 3648. DOI: 10.1109/CVPRW50498.2020.00425.

29. Samani E. U., Banerjee A. G. Persistent Homology Meets Object Unity: Object Recognition in Clutter. In Proc. of the IEEE Transactions on Robotics, vol. 40, 2024, pp. 886-902. DOI: 10.1109/TRO.2023.3343994.

30. Yang Y., Deng J., Kang D. An Improved Empirical Mode Decomposition by Using Dyadic Masking Signals. Signal, Image and Video Processing, vol. 9, 2015, pp. 1259-1263. DOI: 10.1007/s11760 013 0566-7.

31. Zhaohua W., Jiaxin F., Fang-Li Q., Zhe-Min T. Fast Multidimensional Ensemble Empirical Mode Decomposition for the Analysis of Big Spatio-Temporal Datasets. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065), 2016, article no. 20150197. DOI: 10.1098/rsta.2015.0197.