Leveraging a Convolutional Neural Network for Real-Time Classification of Distributed Acoustic Sensing Data alongside a Railway

Abstract

Formålet med dette forskningsprosjektet var å utvikle et rammeverk for et sanntidsovervåkningssystem for jernbaner, ved bruk av "distributed acoustic sensing" data og et konvolusjonelt nevralt nettverk. For å nå dette målet, ble totalt 70 minutter "distributed acoustic sensing" data fra et 51 km langt jernbanelinjesegment mellom Trondheim og Støren (Trøndelag, Norge) bearbeidet. En kjent preprosesseringsteknikk ble brukt, hvor hensikten var å regne ut rullende RMS-vinduer på 60 sekunder og 1.5 kilometer med 50 % overlapp i tid og rom. De resulterende vinduene ble normalisert og matet inn i et konvolusjonelt nevralt nettverk for klassifisering av 12 ulike signalklasser, inkludert tog, biler, ulike støytyper og ukjente hendelser. Et datasett bestående av 5,000 bilder per klasse ble fremstilt via manuell bildemerking (labeling) og ulike bildemanipuleringsteknikker, som resulterte i et totalt datasett bestående av 60,000 bilder. Treningen av nettverket resulterte i en generell testnøyaktighet på 84.98 %, med spesifikke nøyaktigheter per klasse varierende fra 70.65 % til 98.13 %. I tillegg ble sanntidsklassifisering av den endelige modellen simulert ved å sende usett data fremover i nettverket hvert 30. sekund for hvert 1.5 kilometer lange overlappende segment langs hele the 51 kilometer lange jernbanelinjesegmentet.

The aim of this research was to create a framework for a live-monitoring system of railways using distributed acoustic sensing data and a convolutional neural network. To achieve the goal, this work exploited a total of 70 minutes of distributed acoustic sensing data from a 51 km long railway line section between Trondheim and Støren (Trøndelag, Norway). A common pre-processing flow was followed by the computation of rolling RMS windows of 60 seconds and 1.5 kilometer with 50 % overlap in both time and space. The resulting data windows were normalized and fed to a convolutional neural network for classification of 12 separate signal classes, such as trains, cars, various noise types and unknown events. A dataset of 5,000 images per class was acquired by the use of manual labeling and various augmentation techniques, resulting in a full dataset of 60,000 images. Extensive hyperparameter tests were conducted to increase the performance of the network. The training of the convolutional neural network resulted in a general testing accuracy of 84.98 %, with specific class accuracies ranging from 70.65 % to 98.13 %. Additionally, live-classification of the final model was tested by applying a forward pass of unseen data through the model every 30 seconds for each 1.5 kilometer long overlapping segment along the entire 51 kilometer long railway line section.