Abordagem Baseada em Regras Profundas para a Classificação de Defeitos em Superfície de Trilhos

O trilho é um componente da superestrutura ferroviária, utilizado como guia para o material rodante e transmissor de esforços decorrentes do movimento do veículo. Com o aumento da velocidade e das cargas transportadas altera a dinâmica contato roda-trilho afetando diretamente os trilhos, aumentando os defeitos por fadiga do material. Como consequência há um interesse crescente por pesquisadores em explorar a viabilidade da aplicação de paradigmas de processamento de imagem e inteligência computacional para resolver problemas críticos, a fim de melhorar a eficiência e a segurança dos sistemas de transporte ferroviário. 
O trabalho desenvolvido aborda a classificação de defeitos em superfícies de trilhos que são comumente estudados devido à sua gravidade e ocorrência: cracking, flanking, head-check e spalling. O banco de dados que será usado nesta aplicação é fornecido pela empresa MRS Logística S.A. (https://www.mrs.com.br/). Tal banco de dados é composto por imagens que são capturadas por uma câmera acoplada em um carro especial de serviço que circula pela via permanente, denominado veículo de inspeção de via (do inglês rail inspection vehicle - RIV), contendo defeitos de superfície em trilhos. Afim de alcançar o melhor desempenho do classificador a base de dados original foi aumentada utilizando o processo de autoencoder, causando distorções nas imagens e garantindo o aumento das amostras. Como resultado, obteve-se uma base de dados com 500 imagens distribuídas igualmente em 5 classes. O processo de classificação é feito com base nas informações extraídas das imagens através de uma rede neural convolucional VGG19.  Para o processo de classificação de defeitos em superfície de trilho é utilizado um classificador profundo baseado em regras (DRB). Dentre as principais vantagens da utilização do classificador DRB para esta aplicação são: Processo de aprendizagem transparente e de fácil interpretação por especialista; Processo de aprendizagem auto-evolutivo, dado que o algoritmo é capaz de aprender novas classes sem a necessidade de intervenção de especialista; Capacidade de identificar imagens fora dos padrões das amostras.
Com a finalidade de analisar o desempenho do classificador foi utilizado a base de dados com 500 imagens distribuídas igualmente em 5 classes. Em um primeiro momento a base de dados foi dividida em 80% para base de treinamento do modelo proposto e 20% para base de teste do mesmo. Nota-se que a fase de teste foi executada 200 vezes, gerando taxas de acerto de aproximadamente 99%.  Com o intuito de confrontar o modelo proposto, foi inserido ruído branco Gaussiano (AWGN) na base de dados original seguindo a premissa de 18,93 dB de relação sinal-ruído (SNR). As taxas de acerto para tal cenário foram de aproximadamente 94%, comprovando a robustez e confiabilidade da solução proposta quando da operação em ocorrências adversas. Os resultados reportados mostram que o modelo é uma opção atraente para a classificação de imagens de superfície de trilho, permitindo, com isso, que a empresa adote soluções para alcançar à excelência operacional.