Jernbaneselskap ansvarlige for infrastrukturen til jernbanen hyrer inspeksjonsfirmaer til å inspisere skinnene for å finne defekter. Inspeksjonsfirmaene bruker tog til å skanne skinnene ved hjelp av ultralyd i relativt høye hastigheter. Deretter utfører jernbaneselskapene manuelle inspeksjoner av de antatte defektene, fordi den initielle inspeksjonen ikke blir ansett som nøyaktig nok. Antallet falske positive, altså antatte defekter som ikke blir funnet under manuell inspeksjon, blant de antatte defektene er høyt og fører til unødvendige manuelle inspeksjoner. Jernbaneselskapene mottar de antatte egenskapene, samt visuelle representasjoner av ultralydsignalene, kalt "B-scans", av de antatte defektene. Målet med masteroppgaven var å redusere antallet falske positive ved å utvikle modeller, ved bruk av maskinlæring, i stand til å detektere om ultralydsignaler i et B-scan representerer en ekte defekt. Selskapet Bane NOR ble brukt som case og ga tilgang til inspeksjonsdata og B-scans. Analyser av dataene og semi-strukturerte intervjuer ble utført med case-selskapet for å fastslå detaljene til casen. Klassifisering, en "supervised learning"-metode, ble brukt til å trene modellene til å kjenne igjen mønstre som kjennetegner defekter i B-scannene. Før de kunne bli brukt til trening ble en delmengde av det totale antall B-scans valgt ut og prosessert. 7 prosesserings-steg ble utført for å transformere B-scannene til et format egnet til maskinlæring; det korrekte B-scannet ble valgt ut, rutenettet ble fjernet, delgrupper av sensorer ble valgt ut, farge ble fjernet, oppløsningen ble redusert, variabler ble valgt og til slutt konvertering til binære data. Modellene ble trent ved bruk av algoritmen Random forest og parameteret antall trær ble justert. 21 forskjellige kombinasjoner av delmengder og parameterverdier ble trent 3 ganger hver for å evaluere gjennomsnittlig prestasjon. 81 modeller ble trent totalt og prestasjonen ble evaluert ved bruk av "confusion matrix"-verdier, samt "Precision", "Recall" og "F1". Utviklingen av modeller kapable til å detektere defekter i jernbaneskinner var vellykket og fordelene og ulempene ved modellene er diskutert. Den optimale modellen avhenger av situasjonen og tre scenarioer er presentert. Den beste modellen hadde en nøyaktighet på 93.1% for å detektere defekter kombinert med en reduksjon i falske positive, altså unødvendige inspeksjoner spart, pålydende 36.9%. Økning i antallet eksempler og redusering av antallet variabler ble funnet å øke presetasjonen. Ytterligere arbeid er foreslått og forespurt for å forbedre og ta i bruk modellene.