マシンラーニング手法の鉄道欠陥検索への応用（パート2）
マシンラーニング技術を活用した鉄道の欠陥検索（パート2）
鉄道輸送における交通安全を確保するために、さまざまな手法を用いて継続的な非破壊検査がレールに対して定期的に行われています。鉄道レールの運用状態を確認するための主要な手法の一つが超音波非破壊検査です[1]。現在、受けた欠陥パターンを使用してレールの欠陥画像を人間が検索しています。データの検索と分類のためのアルゴリズムの成功した開発により、機械学習手法を使用してレールの欠陥を特定し、エキスパートシステムによる人間の負荷を軽減することが可能になります。
このようなシステムを作成する複雑さについては[1, 3-6, 22]で説明されており、一方で、鉄道レールの多チャンネル超音波検査中に得られるさまざまなグラフィック画像の多様性と、欠陥のデータコピーの数が少ない（バランスしていない）という理由によります。この分野でエキスパートシステムを作成するための可能な方法の一つは、複数チャンネルの欠陥グラム全体の解析タスクを個々のチャンネルまたはそれらの集合に分解するアプローチです。
最も一般的なレールの欠陥の一つは、文献では「スタークラック」と呼ばれる径方向のボルト穴のひび割れです（図1）。このタイプの欠陥は、主に傾斜角380-450のウルトラサウンド入力を持つ欠陥検出器チャンネルによって検出されます[1-2]。連続トラックの鉄道網へのシステム的な導入にもかかわらず、ボルト穴の診断は重要な課題です[1-2]。これが本研究での識別および考慮の理由となりました。
図1 – 鉄道のボルト穴における径方向のひび割れの例
- 本研究の目的：鉄道レールのボルト穴の状態を超音波検査中に分類するためのさまざまな機械学習モデルの効果を比較すること。
上記の目的は、以下の問題の解決によって達成されます：
- データセットの生成と準備
- 探索的データ分析
- アルゴリズムの運用評価のためのプロトコルと尺度の選択
- 分類モデルの選択と合成
- テストデータ上でのモデルの有効性の評価
データセットの生成と準備
パイゾ電気変換子（PZT）を装備した欠陥検出器が鉄道トラック沿いを移動する際に、一定の時間内でレールに超音波パルスが発射されます。同時に、PZTは反射波を受信します。超音波法による欠陥の検出は、クラックを含む他の不均質性が金属との音響的抵抗性の違いを持っているため、金属の反射波から行われます[1-5]。
レールの超音波スキャン中、その構造要素と欠陥は音響的な応答を持ち、これは欠陥スキャンとして欠陥グラムの形で表示されます。図2は、異なるタイプの測定システムによって傾斜角度の異なる鉄道のボルト接続部分の欠陥スキャン（Bスキャン）の例を示しています。
図2 – 欠陥検出器の例によるボルト穴スキャンの個別スキャン（Bスキャン）
ボルト穴の個別スキャン（フレーム）は、振幅の基準を適用することで、欠陥パターンから分離することができます（図3）。
図3 – Bスキャンからボルト穴の警告フレームの選択
各フレームの幅Wと長さLは同じであり（図3）、ボルト穴の信号化とその欠点の最大の可能な寸法を基に選択されます。各フレームには座標、計測データ、各点のサイズのデータ、鉄道の2つの超音波信号入力（+/- 400）に関するデータが含まれています。 [3]では、このようなデータフレームは形状（60, 75）の行列に変換され、60 * 75 = 4500要素のグレースケールデータを持つ分類ネットワークが構築され、正常にトレーニングされています。しかし、この研究ではデータフレーム形式の代替案やより少ない容量のオプション、基本的なメソッドや機械学習モデルの能力を示していないため、この欠点を補うためにこの研究が行われました。
鉄道のボルト穴のさまざまな形状の径方向のひび割れ、その位置、表面の反射特性は、グラフィックイメージを変化させ、欠陥のない状態とともに7つのクラスを識別できるデータセットを生成します。2値分類の実践では、現象や関心のある状態がよりまれな場合にはクラス「1」を割り当て、一般的な状態にはクラス「0」を割り当てるのが一般的です。欠陥の識別に関しては、一般的で頻繁に発生する欠陥のない状態をクラス「0」と定義し、「1」〜「6」の欠陥状態を定義します。各欠陥クラスは、エキスパートがデータ解読中に見える特徴的な画像として欠陥パターン上で表示されます（図4）。鉄道トラックの運行中においては欠陥の有無（2値分類）が重要ですが、欠陥のない状態として誤って分類される可能性のある欠陥や欠点の種類を示し、レールの診断における危険な事例を量化することを考慮して、この研究では分類問題を明確なマルチクラス分類に縮小します。
図4 – Bスキャンフレームの例（60、75）と，7つのクラスのいずれかに割り当てられた異なる径方向のひび割れを持つボルト穴の特徴的な画像
各クラスのインスタンスは基本的な構造である長方形データとして表現することができます。インスタンスのサイズを均等にするために、テーブル形式の長さをk = 60レコード（最大可能値の30％増し）に設定し、空のセルにはゼロ値を埋めます（図5a）。その後、元のインスタンスは（6、60）の形を取るか、フラットな配列の形に縮小されて6*60=360次元の空間で説明されます（図5c）、Bスキャングラフ上では図5bのように見えます。
図5 – 長方形データインスタンスの表現
評価プロトコルの選択
鉄道の超音波検査からデータを収集し注釈付けすることは[3]で説明されるように大きな困難を伴いますので，数学的モデリングを用いて作成された合成データセットを利用します.このアプローチの本質は図6に反映され，その適用可能性は[3]で示されています。「合成データ」という用語はnVIDEAブログ[23]で実世界の視覚オブジェクトを作成する際に頻繁に議論されています。この作業は非破壊検査の分野への合成データの適用を拡張しています
図6 – 機械学習モデルの適用
数学的モデリングに基づいて得られた十分数のデータインスタンスにより，レアクラスの問題を回避することができます.モデルの評価プロトコルとして個別に平衡セット：トレーニング，検証，テストを選ぶことが可能です.データセットを以下のように制限します：トレーニングデータ=50，000，テストデータ=50，000，および検証データ=10，000インスタンス
成功の指標の選択
クラスの相対的なサイズの違い（クラスバランスの欠如）から，アルゴリズムのトレーニング時の成功の指標として正確性指標を選択することができます．これは正しく分類されたインスタンスの数を総数で割った値として表されます．単一の指標では状況のモデル適用可能性を評価することはできませんので，モデルテスト手順では混同行列，各クラス分類器の精度と完全性の尺度を使用します
探索的データ分析
トレーニング，テスト，および検証セットのクラスのバランスに関する情報は図7に示されています
図7 – データ量サマリー
正測定チャンネルCh + 400およびクラス0, 2, 3, 6の正規化アラームの深度と座標の分布の表示は図8に示されています。Ch-400およびチャンネル0, 1, 4, 5の分布は対称的なパターンを持っています。
図8 – クラス0, 2, 3, 6のデータの正規化座標と深度の分布
探索的データ分析とデータ冗長性の決定として主成分分析（PCA）法が使用されました．その2次元表現は図9の形で表すことができます．中心クラスはクラス0であり，クラス2，3，6が反対側に，クラス1，4，5が反対側に配置されていることは，Bスキャン上でのグラフィカルな表示と一致しています。
図9 – 主成分分析法の二次元表現の視覚化
一般的に、クラスの二次元表現はクラスタリングが弱く、それらを分類するためにより高次元のデータを使用する必要があります。PCA法の成分数の関数としての積分説明可能分散のグラフ（図10a）からは、80の成分で98%の分散が説明されていることがわかります。これはオリジナルデータにおける冗長性の高いレベルを示しています。これは，得られた80個のPCA法の成分がゼロ値から独立していることを示しています（図10b）。
図10 – PCA: a) 主成分分析法の成分数の関数としての積分説明可能分散、b) PCA軸へのフラットデータ配列の予測変数の貢献
各クラスのデータインスタンスの非ゼロ値の占有度の評価については，図11に示します。
図11 – クラスインスタンスの非ゼロ値による占有率の評価
注意:
- クラスの範囲と四分位範囲の類似度
- クラス0は、ボルト穴の無欠陥状態のため、追加のクラックアラームが存在しないため、最も低い中央値を持っています。
- クラス5および6は最も高い中央値を持っており、ボルト穴の下部および上部の放射状クラックからのアラームの存在によるデータの充填が高いことを示しています。
- クラス1-4は似たような中央値を持ち、ボルト穴の上部または下部の放射状クラックからのアラームの存在によりデータが充填されていることを示しています。
- それぞれクラス1および2、3および4、5および6は、中央値と分布が似ており、ボルト穴の中心を基準にしたデータの対称性によるものです。
- PCA法の80の要素レベルはクラス1-6の中央値よりも低いですが、分散の98％を記述するため十分であり、これはデータ内のゼロ値による冗長化だけでなく、振幅値が各クラスであまり変化せず、分散に弱い影響を与えることを示しているかもしれません。この事実は、欠陥の検出の実践によって確認されており、欠陥検出器は振幅パラメータを頻繁に使用しない傾向があります。
次に、入力データの多次元構造を調べるために、マニフォールド学習技術を使用し、将来の探索的データ分析タスクの複雑さを評価しました。
- ランダムプロジェクション埋め込み
- 等距離マッピング（Isomap）
- 標準的なローカル線形埋め込み（LLE）
- モディファイドローカル線形埋め込み（LLE）
- ローカル接線空間アライメント埋め込み（LTSA）
- 多次元尺度構成（MDS）
- スペクトル埋め込み
- t-分布型Stochastic Neighbor Embedding（t-SNE）
さらに、次元を制御することができ、データをより低次元に射影するために使用できる技術もあります:
- 切り捨てSVD埋め込み
- ランダムツリー埋め込み
- 近傍成分分析（NCA）
- 線形判別分析（LDA）
元の形状（6, 60）の3,000サンプルから2次元空間へのデータの埋め込みのアルゴリズムの結果は、図12に示されています。
図12 – 各種技術を使用した2次元空間へのデータの埋め込み（ドットの色がクラスを表しています）
マニフォールド学習メソッドでは、グラフのデータがパラメータ空間でうまく配置されていないことが分かります。これは、単純な教師付きアルゴリズムによるデータの分類の予測可能な複雑さを特徴付けています。
また、次元を制御することによりデータをグループ化し、分類モデルの候補となり得る制御次元削減のための手法もあります。
- 切り捨てSVD埋め込み
- ランダムツリー埋め込み
- 近傍成分分析（NCA）
- 線形判別分析（LDA）
訓練データにモデルをフィットさせ、テストデータでの予測を行うためのコード断片を次に示します。
得られた差分行列とモデル品質に関するサマリーレポートは、図13 aとbに示されています。訓練されたモデルは統計的な力を持っており、ランダム分類子の正確性の4倍高い0.5819の全体的な正確性を持っています。モデルの正確性は比較的低いですが、その作業の質的指標と射影データのグラフィカル表現との具体的な関係を考慮します（図13c）。
図13 – ガウスナイーブベイズモデルの総合品質評価: a) 分類モデルの誤分類率を示す不一致行列; b) 異なる精度指標の形式でモデルのパフォーマンスの質的指標に関するレポート; c) 線形判別分析法を使用して2次元空間にデータを射影
クラス6の射影データは他のクラスのほとんどの点から最も遠い位置にあります（図13c）。これは、その分類器の精度が0.9888であることを示していますが、クラス3の表現の近さにより、クラス6の再現率が偽陰性予測により0.5688に減少し、不一致行列内のエラー率が2164で表されます。
クラス5の投影も削除され、その分類器の高い精度0.9916に反映されていますが、クラス1と4との重複があり、そのために分類器の完全性0.4163が影響を受けています。クラス1の誤った予測の頻度はクラス1と4の分類器に対してそれぞれ2726回と1268回であり、クラス5に対する偽陽性が存在しています。
他のクラスでも同様の関係が観察されますが、興味深いものの1つは分類器0の振る舞いです。欠陥のないクラス0は投影の中に位置しており、グラフィックのイメージも近いクラス1、2、3、4とは異なり、クラス5と6とはっきりと区別されています。ただし、分類器0はクラスごとにデータを正しく認識していますが、欠陥のあるクラス（クラス0）を欠陥のないクラスと誤って分類する偽陽性が多数存在し、Gaussian Naive Bayesモデルが欠陥検出の目的には完全に適していないことがわかります。結果として得られたGaussian Naive Bayes分類器は、複雑なデータ構造を記述するために十分にシンプルです。
線形判別分析（LDA）分類器モデル
データの次元削減に基づいた予備的な分析では、線形判別分析法内のクラスの良いグループ化が示されています（図12）。これが次のモデルの使用の動機となりました。
モデルの学習と予測の結果は図14に示されています。モデルの全体的な正確性は0.9162であり、基本モデルの正確性よりも1.57倍優れています。ただし、分類器0にはクラス2と4に対する多数の偽陽性があり、その精度は0.8027であり、実際の応用目的には満足のいく指標ではありません。
図14 – 線形判別分析（LDA）分類器の作業品質の総合評価
LDAモデルの正確性を向上させるためにトレーニングデータセットが不足している可能性についての仮説は裏付けられません。図15に示される構築された学習曲線は、トレーニングセットのサイズが5000 – 6000個の項目で0.92の正確性を達成するという高い収束性を示しています。
図15: トレーニングセットのサイズが5000 – 6000個の項目で0.92の正確性を持つ学習曲線の高い収束性
このような分類システムを作成しようとする際、欠陥検出装置のメーカーは、レール診断のプロセスで得られるデータセットの項目数に対するシステムの予測精度の依存関係を評価する難しさに直面します。モデルデータに基づく結果の学習曲線は、LDAアルゴリズムの枠組み内で0.92の精度を達成するためにこの数を5,000 – 6,000個の範囲で推定することを可能にします。
LDA分類器の学習曲線のトレーニングデータ（青色）における減少する依存性は、複雑なデータ構造に対して十分に単純であり、予測精度を向上させるためにより複雑なモデルを見つける正当な必要性があることを示しています。
密集ネットワーク
予測精度を向上させるためのオプションの一つは、完全に接続されたネットワークの使用です。Keras_tunerツールを使用して見つかった最適パラメータを使用したこの構造のオプションは、モデルの正確性を前の方法と比較して0.974に向上させ、ゼロクラスの分類器の精度を0.912にしました。
図16 – モデル構造と正確性指標
より複雑な（計算コストの高い）機械学習アルゴリズムの使用による予測精度の向上の進行は、ますます複雑なモデルを作成する行動の正当性を示しています。
サポートベクターマシン（SVM）
GridSearchCVクラスを使用して、カーネルとして
図17 – サポートベクターメソッド（SVM）に基づく分類器のパフォーマンス推定のまとめ
SVMメソッドの使用により、全体的な予測精度は0.9793、null分類器の精度も0.9447に向上しました。ただし、各360の初期次元を持つ50,000のインスタンスのテストデータセット上のアルゴリズムの平均実行時間は9.2秒であり、考慮される分類器の中で最大です。ソースデータの次元削減とSVMアルゴリズムの使用によるパイプラインの形でモデルの動作時間を短縮することは、達成された精度を維持することを許しませんでした。
ランダムフォレスト分類器
scikitlearnパッケージに実装されたランダムツリーのアンサンブルに基づくRandomForestClassifier分類器は、考慮されるデータの分類精度を高める候補の1つです：
テストセット上の50本のツリーのランダムフォレストアルゴリズムのパフォーマンス評価は図18に示されています。このアルゴリズムにより、全体的な予測精度が0.9991、null分類器の重要な指標である適合率が0.9968に向上しました。ゼロクラスの分類器は、グラフィカルな表現が類似している1〜4のクラスで最も間違いを com重しています。クラス1から4の分類器の適合率は高く、クラス5と6に対しての誤りによって低下しており、欠陥の識別には重要ではありません。
CPU上でのテストデータセットの予測によるアルゴリズムの平均実行時間は0.7秒であり、SVMの実行時間と精度の増加に比べて13倍短くなります。
図18 – ランダムツリーに基づく分類器の品質のまとめ評価
RandomForestClassifier分類器の学習曲線は、図19に示されており、構築されたモデルの最適性の高いレベルを示しています：
- トレーニングデータの増加に伴い、モデルの効率は低下せず、アンダートレーニング効果の欠如を示しています。
- トレーニングとテストの段階での効率評価が収束し、差が0.028を超えない高い値を示しています。これはモデルがオーバートレーニングされていないことを示唆しています。
図19 – RandomForestClassifierの学習曲線
得られた学習曲線により、7つのクラスの各クラスの最小必要サンプル数を推定して、0.98の受け入れ可能な精度レベルを達成することができます：1550個のデータコピー、つまり7つのクラスごとに220のサンプル。
ランダムフォレストアルゴリズムの高い精度と速度により、全体精度に対する360の予測変数の影響（重要性）の大きさを評価することができます。評価は、各変数の予測能力をなくす効果を持つ変数をランダムに混合することで平均的な減少精度を取得することによって行われました。図20にはモデル精度に対する変数の重要性を評価するためのコード断片の結果が示されています：
図20 – RandomForestClassifierベースのモデル精度に対する予測変数の重要性の評価
図20のグラフから、最も重要な予測変数はチャネル+40の60〜85およびチャネル-40の240〜265です。これらはアラームの深さを決定します。各範囲の最初と最後でのピークの存在は、アラームの始めと終わりの深さの予測重要性がさらに高いことを示しています。重要な変数の総数は約50と推定されます。
各データインスタンスの座標と振幅を決定する変数の重要性ははるかに低いです。この評価は、探索分析中に行われた仮定と一致しています。振幅なしで全トレーニングデータセット上のRandomForestClassifierをトレーニングすると、全体的な精度は0.9990、振幅と座標なしで0.9993になります。各データインスタンスの振幅と座標などのパラメータを考慮対象から除外すると、精度を低下せずに考慮されるデータのサイズが（2, 60）= 120の予測変数に減少します。得られた結果により、データの分類目的にはアラームの深さパラメータのみを使用できます。
RandomForestClassifierによって達成された精度は十分であり、ボルト穴の欠陥の分類問題を解決します。ただし、能力を一般化するために、畳み込みニューラルネットワークに基づくディープラーニングモデルのクラスを考慮してみましょう。
ディープラーニング（DL）モデル
コンボリューションネットワークの統合とトレーニングには、最適な構造の検索とハイパーパラメータの最適化という反復的なプロセスが必要です。図21は、線形スタックのレイヤー形式の簡単なネットワーク構造とそのトレーニングプロセスを示しています。
図21 – モデル構造とトレーニングプロセスの報告書
コンボリューションニューラルネットワークのトレーニングと予測の結果を図21に示します。モデルのテストデータ全体の正確性は0.9985で、ベースモデルの正確性よりも1.71倍高くなっています。すべての42893件の不良インスタンス（図22a）の中で、クラシファイア0の誤検知数は、2 + 24 + 6 + 2 = 34です。CPUでのテストデータの予測にかかる平均時間は4.55秒です。
図22 – テストデータ上のCNNをベースとしたトレーニングネットワークの作業品質のまとめ
結果の分類器の重要なタスクの1つは、不良サンプルを非不良と誤分類することなく、不良フリークラス（クラス0）を正確に決定することです。確率のしきい値を変更することにより、不良フリークラスの誤検知数を減らすことが可能です。適用可能なしきい値のカットオフレベルを推定するために、多クラスの問題に対してバイナリ化を行い、不良フリーステートとすべての不良ステートを選択しました（これは「一対他」の戦略に対応しています）。バイナリ分類のためのしきい値のデフォルト値は0.5（50%）です。このアプローチでは、バイナリ分類器は図23に示す品質指標を持ちます。
図23 – しきい値0.5でのバイナリ分類器の品質指標
「No defect」クラスの結果の精度は0.9952で、多クラス分類器のクラス「0」と同じです。 sklearn.metrics.precision_recall_curve関数の使用により、バイナリ分類器の精度と完全性の変化を示すグラフが変動するしきい値に応じて反映されます（図24a）。カットオフしきい値が0.5の場合、誤検知の値は34サンプルです（図24b）。分類器の最大の精度と完全性は、グラフの交点に達する点で達成され、これはカットオフしきい値0.66に対応します。この点では、分類器は「No defect」クラスの誤検知数を27に減らします（図24b）。しきい値を0.94のレベルまで増やすことで、誤検知を8に減らすことができます。ただし、偽陰性の数は155サンプル増え、分類器の完全性が低下します（図24b）。しきい値をさらに増やすと、分類器の完全性が受け入れられないレベルまで低下します（図24a）。
図24 – カットオフしきい値の影響: a）カットオフしきい値の変化に応じた精度と完全性の変化を示すグラフ（精度-再現図）; b）さまざまなカットオフしきい値での非類似行列
しきい値を0.94に設定した場合、分類器の品質評価は図25に示されています。 「No defect」クラスの精度は0.9989に向上しました。
図25 – カットオフしきい値が0.94のバイナリ分類器の品質指標
図26には、欠陥の特徴的なグラフの印を持つ偽陽性分類されたデータサンプル8つが表示されます。
図26 – 偽陽性分類されたサンプル8つ
上記のグラフィック画像のうち、疑問のあるものは「controversial」とマークされており、非常に短い放射状のクラックが存在することを示していますが、これは欠陥として分類するのが難しいものです。その他の6つのサンプルは分類器のエラーです。欠陥検出器による手動分析中において、放射状クラックの長さが大きいサンプルは最も簡単に分類されますので、注意してください。
モデルの精度をさらに向上させるには、DLとRandomForestClassifierの結果モデルのアンサンブルを使用することが可能です。考慮すべきモデルは、直接的なBscan形式を含む、異なる入力データ形式で得られたものです。これは[3]で示されています。
結論と議論
ボルト穴の欠陥を分類するために開発されたモデルの主要な品質指標は、図27のダイアグラムにまとめられています。分類モデルの全体的な正確性（青色）とクラス0の精度（オレンジ色）の重要な指標が増加するという、分類モデルの段階的かつ合理的な複雑化がダイアグラムに反映されています。ランダムフォレストとコンボリューションニューラルネットワークに基づくモデルにより、0.99以上の最大精度が達成されました。同時に、ランダムフォレストモデルは、予測にかかる時間が短いという利点があります。
図27 – 考慮された分類モデルの品質指標。
この研究において
- 超音波欠陥探知器上での欠陥の検索可能性を、データを個別のチャネルに分解し、個別の診断サイトを割り当てることで示しています。
- 振幅と座標の形式での予測変数の影響を、分類の品質に対する評価として示しています。
- びょう穴の欠陥の分類モデルを98％の精度で構築するために必要なデータセットの量の見積もりを示し、自動専門家システムの作成時に欠陥検出装置のメーカーにガイドとなることができます。
- クラシックな機械学習アルゴリズムに基づくレールびょう穴の状態の分類の高い精度を達成する可能性を示しています。
- 連続的な欠陥パターン（Bスキャン）での欠陥検索のためのセグメンテーションネットワークの合成に、畳み込みニューラルネットワークアーキテクチャの使用の可能性と実現可能性を示します。
参考文献
- [1] Markov AA、Kuznetsova EA。レール欠陥検出。信号の形成と解析。Book 2. Defectogramsのデコーディング。サンクトペテルブルク：Ultra Print; 2014年。
- [2] Markov AA、Mosyagin VV、Shilov MN、Fedorenko DV。AVICON-11：レールの100％検査のための新しい欠陥検出器。NDTワールドレビュー。2006年; 2（32）：75-78。取得元：http://www.radioavionica.ru/activities/sistemy-nerazrushayushchego-kontrolya/articles/files/razrab/33.zip [2023年3月14日アクセス]。
- [3] Kaliuzhnyi A. 超音波診断におけるレールびょう穴の欠陥分類器のモデルデータの応用。人工知能進化[インターネット]。2023年4月14日[cited 2023年7月28日];4（1）：55-69。DOI：https://doi.org/10.37256/aie.4120232339
- [4] Kuzmin EV、Gorbunov OE、Plotnikov PO、Tyukin VA、Bashkin VA。マグネットおよびエディカレント欠陥図におけるレール構造要素の認識のためのニューラルネットワークの適用。情報システムのモデリングと分析。2018年; 25（6）：667-679。取得元：doi：10.18255/1818-1015-2018-6-667-679
- [5] Bettayeb F、Benbartaoui H、Raouraou B。 人工ニューラルネットワークによる溶接の超音波特性の信頼性。第17回非破壊検査世界会議; 2008年;中国上海。[2023年3月14日アクセス]
- [6] Young-Jin C、Wooram C、Oral B。畳み込みニューラルネットワークを使用したディープラーニングベースのクラック損傷検出。電子化された土木およびインフラストラクチャエンジニアリング。2017年;32（5）：361-378。取得元：doi：10.1111/mice.12263
- [7] Heckel T、Kreutzbruck M、Rühe S、高速非破壊のレールテストにおける高度な超音波およびエディカレントテスト技術。第5回国際ワークショップ- NDT in progress 2009（プロシーディング）。2009年; 5：101-109。[2023年3月14日アクセス]。
- [8] Papaelias M、Kerkyras S、Papaelias F、Graham K。 レール検査技術の将来とINTERAIL FP7プロジェクト。第51回英国非破壊検査学会年会2012、NDT 2012. 2012年。[2023年3月14日アクセス]。
- [9] Rizzo P、Coccia S、Bartoli I、Fateh M。非接触超音波検査によるレールの自動欠陥検出および分類のためのシグナル処理。インサイト。2005年; 47（6）：346-353。取得元：doi：10.1784/insi.47.6.346.66449
- [10] Nakhaee MC、Hiemstra D、Stoelinga M、van Noort M。鉄道トラックメンテナンスにおける機械学習の最近の応用：調査。[/b]In：Collart-Dutilleul S、Lecomte T、Romanovsky A。 （編。）可用性、安全性、および鉄道システムのセキュリティ。モデリング、分析、検証、および認証。RSSRail 2019. コンピューターサイエンスの講義ノート（）、第11495巻。Springer、Cham; 2019.pp.91-105。取
We will continue to update VoAGI; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
