MACHINE VISION FOR AUTOMATICVISUAL INSPECTION OF WOODENRAILWAY SLEEPERS USING UNSUPERVISED NEURAL NETWORKS

The motivation for this thesis work is the need for improving reliability of equipment and quality of service to railway passengers as well as a requirement for cost-effective and efficient condition maintenance management for rail transportation. This thesis work develops a fusion of various machine vision analysis methods to achieve high performance in automation of wooden rail track inspection.The condition monitoring in rail transport is done manually by a human operator where people rely on inference systems and assumptions to develop conclusions. The use of conditional monitoring allows maintenance to be scheduled, or other actions to be taken to avoid the consequences of failure, before the failure occurs. Manual or automated condition monitoring of materials in fields of public transportation like railway, aerial navigation, traffic safety, etc, where safety is of prior importance needs non-destructive testing (NDT).In general, wooden railway sleeper inspection is done manually by a human operator, by moving along the rail sleeper and gathering information by visual and sound analysis for examining the presence of cracks. Human inspectors working on lines visually inspect wooden rails to judge the quality of rail sleeper. In this project work the machine vision system is developed based on the manual visual analysis system, which uses digital cameras and image processing software to perform similar manual inspections. As the manual inspection requires much effort and is expected to be error prone sometimes and also appears difficult to discriminate even for a human operator by the frequent changes in inspected material. The machine vision system developed classifies the condition of material by examining individual pixels of images, processing them and attempting to develop conclusions with the assistance of knowledge bases and features.A pattern recognition approach is developed based on the methodological knowledge from manual procedure. The pattern recognition approach for this thesis work was developed and achieved by a non destructive testing method to identify the flaws in manually done condition monitoring of sleepers.In this method, a test vehicle is designed to capture sleeper images similar to visual inspection by human operator and the raw data for pattern recognition approach is provided from the captured images of the wooden sleepers. The data from the NDT method were further processed and appropriate features were extracted.The collection of data by the NDT method is to achieve high accuracy in reliable classification results. A key idea is to use the non supervised classifier based on the features extracted from the method to discriminate the condition of wooden sleepers in to either good or bad. Self organising map is used as classifier for the wooden sleeper classification.In order to achieve greater integration, the data collected by the machine vision system was made to interface with one another by a strategy called fusion. Data fusion was looked in at two different levels namely sensor-level fusion, feature- level fusion. As the goal was to reduce the accuracy of the human error on the rail sleeper classification as good or bad the results obtained by the feature-level fusion compared to that of the results of actual classification were satisfactory.

Den offentliga sektorns komplexa adaptiva system : En kvalitativ studie om medarbetarpolicys i praktiken

Intresset för hur HR och ledning kan påverka medarbetarnas beteendemönster och den sociala strukturen inom organisationer har gett upphov till denna undersökning. Med utgångspunkt i teorier om komplexa adaptiva system som perspektiv har jag försökt fånga medarbetarnas förutsättningar att nå organisationers vision och därmed förverkliga medarbetarpolicyn i praktiken. Tillsammans med kontaktpersoner från den undersökta kommunen har jag gjort en djupdykning i en offentlig organisation i syfte att förklara byråkratins inverkan på beteendemönstret hos medarbetarna och hur de tillsammans skapar en social struktur vilken speglar organisationens vision. Syftet med studien är att undersöka hur det adaptiva systemet fungerar i en byråkratisk organisation och vad det betyder för medarbetarnas möjligheter att förverkliga organisationens vision och medarbetarpolicy. Undersökningen har genomförts på en socialförvaltning i en kommun i mellan Sverige och med en kvalitativ metod och semistrukturerade intervjuer har sex respondenter deltagit i undersökningen. Samtliga respondenter har olika befattningar inom organisationen och bidrar därmed med olika perspektiv på samma fenomen. Undersökningens resultat visar att den offentliga verksamhetens byråkratiska organisationsstruktur bidrar till att det bildas olika adaptiva system inom organisationen, där medarbetarnas beteendemönster bildar en social struktur som leder till att visionen och medarbetarpolicyn inte förverkligas. Undersökningen visar även att de adaptiva systemen inom organisationen inte påverkar varandra, då de inte interagerar med varandra inom organisationen. Det som ligger till grund för hur medarbetarnas beteendemönster etableras inom organisationen är kraven från omvärlden, hög arbetsbelastning och avsaknaden av stabilitet i den organisatoriska och sociala arbetsmiljön och inte vad tidigare forskning visat; att det skulle vara hög regelstyrning som ligger till grund för beteendemönstret inom den offentliga sektorn. Slutsatsen är att för att medarbetarna ska kunna förverkliga organisationens vision och medarbetarpolicy kräver det att HR, ledning och medarbetare alla ingår i samma adaptiva system. För att det ska vara möjligt behöver HR upprätta strategier för hur samtliga inom organisationen ska interagera med varandra i det dagliga arbetet. Ledningen och medarbetarna behöver även ha goda möjligheter att kommunicera med varandra regelbundet i en större omfattning än vad de gör idag. Konkreta åtgärder för hur det lämpligen bör genomföras presenteras under diskussionen.