Стаття

Отримано 14.01.2025

Доопрацьовано 22.05.2025

Прийнято 20.06.2025

Взято з Том 28, № 1, 2025

Сторінки 81 -93

Gertsiy, O., Karnatov, S., Gladish, V., & Tkachenko, V. (2025). Modeling an image clustering algorithm for detecting overheated railway axle. The National Transport University Bulletin: A Scientific and Technical Journal, 28(1), 81-93. https://doi.org/10.32703/2617-9040-2025-45-6

Моделювання алгоритму кластеризації зображень для виявлення перегрітих букс вагонів

Олександр Герцій Сергій Карнатов Віталій Гладиш Валентина Ткаченко

В  статті  розглянуто ідентифікацію  зображень  на  основі  алгоритму  кластеризаціїдля виявлення теплових характеристикбукс вагонів. Проведено аналіз перспектив застосування алгоритмів  кластерізації в  задачах  ідентифікації  цифрових  зображень.  Наведено принцип роботи запропонованого алгоритмупри сегментації  та  стисненні  графічних  зображень,  а також при розпізнаванні образів у транспортній сфері. Представлено блок-схемуалгоритмуі описано принцип його роботи.  Пропонуєтьсясхемареалізації  системи  машинного  зору  з використанням  даного  алгоритму  в  процесі  виявлення  перегрітих  букс вагонів.Проведено експериментальне  моделювання  по  сегментації  на  основі  кольорових  моделей зображень поданихв  інфрачервоному  діапазоні длявиявлення  ділянок  з  підвищеною  температурою засобами програмиMATLAB.Для експерименту обрані зображення, на яких представлено букси рухомого  складу,  одна  з  яких  нормальна,  а  друга -перегріта.В  результатіпроведеного моделювання виявлено, що сегментація на основі кольорових моделей зображень дозволяє точно сегментувати   термозображеннябукси.Дослідження   показали,  що   застосування запропонованого  алгоритму  і  його  програмна  реалізація  для  термографічних  камер  є ефективним  з  метою  розпізнавання  температурних  показників.  Даний  алгоритм  також дозволяє  представити  зображення  в  компактному  вигляді,  що  приводить  до  підвищення швидкості його обробки і дозволяє швидко проводити моніторинг теплових характеристик букс рухомого складу

термографічні зображення; кластеризація; сегментація; моніторинг; моделювання; температурні показники; букса
  1. Ghaziasgar, M., Bagula, A., & Thron, C. (2020). Computer Vision Algorithms for Image Segmentation, Motion Detection, and Classification. Implementations and Applications of Machine Learning. Studies in Computational Intelligence, 782, 119-138. Springer, Cham. https://doi.org/10.1007/978-3-030-37830-1_5.
  2. Hassner, T., & Liu, C. (Eds.). (2016). Dense image correspondences for computer vision (pp. 3-14). Springer International Publishing. https://doi.org/10.1007/978-3-319-23048-1.
  3. Vishwakarma, A., Dasgupta, A., & Racherla, V. (2025). Detecting and classifying multiple track defects using clustering algorithm. Engineering Structures, 334, 120197. https://doi.org/10.1016/j.engstruct.2025.120197.
  4. Pacheco, F., Cerrada, M., Sánchez, R. V., Cabrera, D., Li, C., & de Oliveira, J. V. (2017). Attribute clustering using rough set theory for feature selection in fault severity classification of rotating machinery. Expert Systems with Applications, 71, 69-86. https://doi.org/10.1016/j.eswa.2016.11.024.
  5. Jiang, Y., Wang, H., Tian, G., Yi, Q., Zhao, J., & Zhen, K. (2019). Fast classification for rail defect depths using a hybrid intelligent method. Optik, 180, 455-468. https://doi.org/10.1016/j.ijleo.2018.11.053.
  6. Rapp, S., Martin, U., Strähle, M., & Scheffbuch, M. (2019). Track-vehicle scale model for evaluating local track defects detection methods. Transportation Geotechnics, 19, 9-18. https://doi.org/10.1016/j.trgeo.2019.01.001.
  7. Li, Q., Yao, K., & Zhang, X. (2020). A change-point detection and clustering method in the recurrent-event context. Journal of Statistical Computation and Simulation, 90(6), 1131–1149. https://doi.org/10.1080/00949655.2020.1718149.
  8. Gomez, M. J., Castejon, C., Corral, E., & Cocconcelli, M. (2023). Railway axle early fatigue crack detection through condition monitoring techniques. Sensors, 23(13), 6143. https://doi.org/10.3390/s23136143.
  9. Amini, A., Entezami, M., Huang, Z., Rowshandel, H., & Papaelias, M. (2016). Wayside detection of faults in railway axle bearings using time spectral kurtosis analysis on high-frequency acoustic emission signals. Advances in Mechanical Engineering, 8(11), 1687814016676000. https://doi.org/10.1177/1687814016676.
  10. Lisanti, G., Karaman, S., Pezzatini, D., & Bimbo, A. D. (2018). A multi-camera image processing and visualization system for train safety assessment. Multimedia Tools and Applications, 77, 1583-1604. https://doi.org/10.1007/s11042-017-43514.
  11. Wei, X., Yang, Z., Liu, Y., Wei, D., Jia, L., & Li, Y. (2019). Railway track fastener defect detection based on image processing and deep learning techniques: A comparative study. Engineering Applications of Artificial Intelligence, 80, 6681. https://doi.org/10.1016/j.engappai.2019.01.008.
  12. Jamshidi, A., Roohi, S. F., Núñez, A., Babuska, R., De Schutter, B., Dollevoet, R., & Li, Z. (2016). Probabilistic defectbased risk assessment approach for rail failures in railway infrastructure. IFAC-PapersOnLine, 49(3), 73-77. https://doi.org/10.1016/j.ifacol.2016.07.013.
  13. Yiakopoulos, C. T., Gryllias, K. C., & Antoniadis, I. A. (2011). Rolling element bearing fault detection in industrial environments based on a K-means clustering approach. Expert Systems with Applications, 38(3), 2888-2911. https://doi.org/10.1016/j.eswa.2010.08.083.
  14. Botvin, M., Butryk, N., & Gertsiy, O. (2019). K-means clustering algorithm in image recognition tasks. Collection of scientific works of the State University of Infrastructure and Technologies series "Transport Systems and Technologies" (34), 199–209. https://doi.org/10.32703/2617-9040-2019-34-2-3.
  15. Zhang, C., Zhong, P., Liu, M., Song, Q., Liang, Z., & Wang, X. (2022). Hybrid Metric K‐Nearest Neighbor Algorithm and Applications. Mathematical Problems in Engineering, 2022(1), 8212546. https://doi.org/10.1155/2022/8212546.
  16. Ando, K., Kuniyoshi, Y., Onogi, N., Uchitane, T., Mukai, N., Iwata, K., Ito, N., & Jiang, Y. (2024). Cluster Detection for Traffic Accidents on Spatiotemporal Networks. Procedia Computer Science, 246, 371-380.. https://doi.org/10.1016/j.procs.2024.09.416.
  17. Huang, B., Zhu, Y., Wang, Z., & Fang, Z. (2021). Imbalanced data classification algorithm based on clustering and SVM. Journal of Circuits, Systems and Computers, 30(02), 2150036. https://doi.org/10.1142/S0218126621500365.
  18. Timchenko, L. I., Basov, V. I., Gertsiy, O. A., Kokriatskaia, N. I., & Ivasiyk, I.D., (2010). Rospiznavannya pivtonovych zobrazhen za shemoyu "gruboi" - "tochnoi" obrobki: Monografia. [Recognition of halftone images according to the scheme of "rough" - "accurate" processing: Monograph]. Kyiv: Naukova Dymka, 180 p. ISBN 978-966-00-0904-6.
  19. Timchenko, L. I., Kokriatskaia, N. I., Gertsiy, A. A., Stepaniuk, D. S., Chernyaschuk, N. L., Kotyra, A., & Amirgaliyev, Y. (2019, November). Elaboration of pyramidal methods applying computation technique “rough-fine” image identification. In Photonics Applications in Astronomy, Communications, Industry, and High-Energy Physics Experiments 2019 (Vol. 11176, pp. 384-391). SPIE. https://doi.org/10.1117/12.2537179.
  20. Orazayeva, A., Wójcik, W., Pavlov, S., Tymchenko, L., Kokriatska, N., Tverdomed, V., ... & Semenova, L. (2022, December). Biomedical image segmentation method based on contour preparation. In Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments 2022 (Vol. 12476, pp. 21-26). SPIE. https://doi.org/10.1117/12.2657929.
  21. Timchenko, L., Kokriatskaya, N., Tverdomed, V., Stetsenko, O., Kaplun, V., Kolesnytskyj, O. K., ... & Zhunissova, U. (2023). Segmentation of multigradation images based on spatial connectivity features. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 13(3), 47-50. https://doi.org/10.35784/iapgos.5352.
  22. Fan, Z., Xie, J. K., Wang, Z. Y., Liu, P. C., Qu, S. J., & Huo, L. (2021, May). Image classification method based on improved KNN algorithm. In Journal of physics: Conference series (Vol. 1930, No. 1, p. 012009). IOP Publishing. https://doi.org/10.1088/1742-6596/1930/1/012009.
  23. Gertsiy, O. (2023). Models of criterion evaluation of the image processing systems effectiveness. Collection of scientific works of the State University of Infrastructure and Technologies series "Transport Systems and Technologies", (41), 143154. https://doi.org/10.32703/2617-9059-2023-41-12.
  24. Gertsiy, O. (2024). Research on graphic data formats for compact representation and comparison of images. Collection of scientific works of the State University of Infrastructure and Technologies series “Transport Systems and Technologies”, (43), 173–187. https://doi.org/10.32703/2617-9059-2024-43-14.
  25. Sacerdoti, F. M., Giordano, A., & Cavaliere, C. (Eds.). (2016). Advanced imaging techniques in clinical pathology (No. 9210). Springer New York. https://doi.org/10.1007/978-1-4939-3469-0_2.
  26. Burger, W., & Burge, M. J. (2022). Digital image processing: An algorithmic introduction. Springer Nature. https://doi.org/10.1007/978-3-031-05744-1.
  27. Sinaga, A. S. R. (2019). Color-based Segmentation of Batik Using the L*a*b Color Space. Sinkron: Jurnal Dan Penelitian Teknik Informatika, 3(2), 175-179. https://doi.org/10.33395/sinkron.v3i2.10102.
  28. Abbadi, N. K. E., & Razaq, E. S. (2020). Automatic gray images colorization based on lab color space. Indonesian Journal of Electrical Engineering and Computer Science, 18(3), 1501-1509. https://doi.org/10.11591/ijeecs.v18.i3.pp1501-1509.
  29. Saifullah, S., Prasetyo, D. B., Dreżewski, R., & Dwiyanto, F. A. (2023). Palm oil maturity classification using K-nearest neighbors based on RGB and L* a* b color extraction. Procedia Computer Science, 225, 3011-3020. https://doi.org/10.1016/j.procs.2023.10.294.

https://doi.org/10.32703/2617-9040-2025-45-6