Deep-Learning-Bildverarbeitung von 3D-Laserscanner-Aufnahmen für ein Weichenstopf-Assistenzsystem

摘要

Trains can only travel safely and comfortably if the track geometry is exact. Tamping machines ensure this. Turnout tamping improves and stabilises the track geometry quality in turnouts. Being a complex task, it is mostly carried out by experienced operators. In this article the current status of development of a sensor system based on a 3D scanner for a new turnout tamping assistance system will be described. It will support and relieve operators when tamping complex areas. In this context, digital image processing is key. Using 3D scanner data, it carries out semantic segmentation (based on deep-learning-algorithms) to allow the detection of important and critical rail areas fully automatically. This article details the basic principles of artificial neural networks in the application field of image processing.%Sicheres und bequemes Reisen im Zug ist nur auf Gleisen mit einer exakten geometrischen Gleislage möglich. Gleisstopfmaschinen dienen dieser Instandhaltungsaufgabe. Gerade der Weichenstopf-Vorgang ist ein komplexes Verfahren zur Verbesserung und Stabilisierung der Gleislagequalität in Weichen. In der Regel wird diese Tätigkeit deshalb auch von erfahrenen Bedienern durchgeführt. Im Beitrag wird der aktuelle Stand der Entwicklung eines 3D-Scanner-basierten Sensorsystems für ein neues Weichenstopf-Assistenzsystem beschrieben, das den Bediener in komplexen Stopfbereichen unterstützen und entlasten soll. Eine zentrale Aufgabe übernimmt in diesem Zusammenhang die digitale Bildverarbeitung, die auf der Basis von 3D-Scannerdaten die sogenannte semantische Segmentierung (basierend auf Deep-Learning-Algorithmen) durchführt, um wesentliche und kritische Schienenbereiche vollautomatisch zu erkennen. Es werden die grundlegenden Prinzipien von künstlichen neuronalen Netzwerken im Anwendungsbereich der Bildverarbeitung dargestellt und anhand der konkreten Problemstellung präsentiert.