אותות רכבת יוצרים את עמוד השדרה של פעולות רכבת בטוחות, מתן הוראות קריטיות לנהגים ולשליטה על זרימת התנועה על פני רשתות צפופות יותר ויותר, מבחינה היסטורית, אות נבדק על צוותים אנושיים הליכה קוסייד, הערכה חזותית של ציוד לנזק, ללבוש, misalignment, או מכשולים.בזמן מוקדש, תהליך ידני זה הוא איטי, סובייקטיבי, פגיע לעייפות של הטכנולוגיה חזון יש לתקן את אותם מסורתיים, המאפשרים לבחון את התדירות גבוהה יותר, כאשר הם פועלים, לבדוק את התדירות גבוהה יותר, כאשר הם מופיעים, כלומר, כלומר, תכונות מדויקות יותר, ובאופן מדויק יותר, ובאופן מדויק יותר, כאשר הם מופיעים, כאשר הם מופיעים, ובאופן מדויק יותר, כאשר הם כוללים ביצועים, ורגישו, ורגישו, ורגישו, ורגישו, ורגיש יותר, ורגישו יותר, כאשר הם מדויקים יותר, ורגישו, כאשר הם מדויקים יותר, ורגישו, כאשר הם כוללים ביצועים גבוהים יותר, כאשר הם מדויקים יותר, כאשר הם מהירים יותר, באופן איטי יותר, באופן איטי יותר, באופן טבעי יותר, באופן איטי יותר, ורגישו, ורגישו, ורגישו, באופן משמעותי יותר, ורגישו, כאשר הם מתאימים יותר, כאשר הם מופיעים, באופן איטי יותר, באופן טבעי יותר

מה זה Machine Vision?

חזון מכונה משלב חומרה הדמיה ברזולוציה גבוהה עם תוכנה מתוחכמת ללכוד ולפרש נתונים חזותיים באופן אוטומטי. בהקשר תעשייתי, מערכת ראיית מכונה טיפוסית כוללת אחת או יותר מצלמות (לעתים קרובות עם עדשות מיוחדות ומסננים), תאורה מבוקרת כדי להבטיח איכות תמונה עקבית, מעבד כדי להפעיל אלגוריתמים, וממשק לפלט תוצאות או גורמים. "הידע" מגיע מספריות עיבוד תמונות - החל מטכניקות ראיית מחשב קלאסיות (תבנית, זיהוי , זיהוי סף) כדי לזהות אלגוריתמים מודלים מורכבים כדי להתאים מודלים למידה מורכבים.

עבור בדיקת אות רכבת, מצלמות בדרך כלל רכובות על רכבות, מזל"טים, או גאדג'טים קבועים.הם ללכוד תמונות במהירות גבוהה תחת תנאים סביבתיים שונים.התוכנה החזון משווה כל תמונה נגד מודלים התייחסות או נתונים היסטוריים לסטיות הדגל.מערכות מתקדמות יכולות לפעול בזמן אמת, התראה על צוותי תחזוקה ישירות כאשר פגם מזוהה.

שיטות זיהוי אותות מסורתיות ומגבלותיהם

לפני ראיית מכונה, מפעילי הרכבות הסתכמו כמעט אך ורק על תלולי קו ידני ובדיקות חזותיות תקופתיות על ידי מפקחים מאוכשרים.בדיקות אלה עוקבות מבחנים סטנדרטיים - תוך מתן אותות, בהירות מנורה, ניקיון עדשה, יושרה מבנית, והיערכות הרים.

  • (FLT:0) subjectivity and Variability: 2 מפקחים עשויים לשפוט את אותו סדק או צבע דוהים אחרת. Fatigue, תאורה בזמן הבדיקה, וניסיון אישי כל תוצאות ההשפעה.
  • (ב) ⁇ :0) זמן אינטנסיביות: 1FLT 1 (ב) בדיקה ידנית אחת של קו ארוך טווח יכולה לקחת ימים או שבועות, מה שגורם פערים בין בדיקות המאפשרות פגמים קלים להסלים.
  • (FLT:0) סיכון בטוח: 1 מפקחים חייבים לעבוד ליד מסלולים פעילים, חשיפתם להובלת רכבות, סכנות חשמל ומזג אוויר שלילי.
  • (FLT:0) אי יכולת ללכוד מגמות נתונים: איור 1 (איור 1) רשומות מבוסס נייר - או אפילו גליונות אלקטרוניים דיגיטליים - מקשים לבצע ניתוח מגמה על פני אלפי אותות לאורך זמן.

ראיית מכונה מתייחסת ישירות לכל אחד מהחסרונות הללו, ומציעה אלטרנטיבה חוזרת, אובייקטיבית ועשירה בנתונים.

יישום Machine Vision in Railway Signal Inspection

גילוי נזקים

אחד השימושים הפשוטים ביותר של ראיית מכונה הוא זיהוי נזק פיזי למבנים אותות, דיור, עדשות. מצלמות ברזולוציה גבוהה יכול לזהות מיקרו-קracks בפלסטיק או דיור מתכת, קורוזיה על משטחים הרהור, שבר או חסר, ו- השבבים או שריטות על זכוכית או עדשות פוליקרבונט. Algorithms מאומן על אלפי דוגמאות של רכיבים פגומים יכול להפל בין פני השטח חסר נזק וסימנים מרובים, כגון ראייה מזווית ראייה מצופה מזווית ראייה כפולה של צבעית, כמו גם על פני השטח.

טיהור וכושר

אותות חייבים להיות תואמים בדיוק כך נהגים יכולים לראות אותם מרחוק גישה נכונה וזווית. Misalignment יכול להתרחש עקב התיישבות הקרקע, השפעה מקרית, או רופפת הדרגתית של חומרה. מערכות ראיית מכונות להשתמש סמנים fiducial או נקודות התייחסות גיאומטרי בתמונה כדי למדוד סטייה זוויתית.אם אות עבר אפילו כמה מעלות, את דגלי התוכנה זה כמה מערכות משלבות מצלמות stereo או LAR כדי ליצור נקודה מדויקת של מיקום מילימטרית של מילימטרית.

הערכה והדרכה

צמחייה מוגברת, סניפי עץ שנפלו, הצטברות שלג או פסולת בנייה יכולים לחסום באופן חלקי או מלא אות. ראיית מכונה עם פלח זרע יכול לסווג פיקסלים כ"מסים", "מכס", "קרקע", וכו 'אם אזור האות הוא אומצוע מעבר לסף מראש, התראה היא בעלת ערך במיוחד עבור אותות באזורים כפריים או מעוקלים שבהם צמחייה מהירה יותר ממצלמות, במקום להזיזות ראייה מרחוק, במקום להזיזות, במקום למצלמות.

תאורה והערכה

מנורות אותות - בין אם incandescent, LED, או סיבים אופטיים - חייב לשמור על אינטנסיביות מוגדרת, צבע, ותבנית beam. מכונות ראייה מערכות יכול ללכוד את האותות תחת תנאים אור הסביבה שונים (יום, dusk, הלילה) ו למדוד סיכה, chromaticity, אחידות, הם יכולים לזהות LED כושל שנראה נורמלי לעין האנושית אבל ירד מתחת לעוצמה מינימלית עבור ניתוח בטוח זה, או לוח זמנים מבוקר, זה יכול גם כן, דיווחו על ידי ציפור.

Defect Classification ו- Predictive Analytics

מערכות ראיית מכונה מודרניות מעבר להחלטות פשוטות של מעבר / חול.הם מסווגים פגמים על ידי סוג, חומרה ומיקום, להאכיל את הנתונים האלה לתוך פלטפורמות ניהול נכסים.עם מספיק נתונים היסטוריים, מגמות מופיעות: מודל אות מסוים עשוי לפתח קורוזיה באותו מקום לאחר שלוש שנים, או סוג העדשה עשוי לפענוח מהר יותר בסביבות החוף.זה מאפשר תחזוקה חיזוי - תיקון אותות לפני שהם נכשלים, בהתבסס על מודלים מונעים על נתונים, ולא על פני כמה זמן פנוי (P) כאשר הם כבר לשלב מגבלות עבודה באופן אוטומטי.

יתרונות טכניים והטבות תפעוליות

חישוב ראיית מכונה לבדיקה אותות מניב כמה הטבות למדידה על פני בטיחות, עלות ויעילות:

  • רכבת בדיקה אחת עם מצלמות מרובות יכולה ללכוד תמונות של כל אות על מסלול ראשי ביום - משימה שתקח שבועות באופן ידני.
  • (FLT:0) איכות עקבית: 1FLT:1 algorithms ליישם את אותם קריטריונים לכל תמונה, ביטול סובייקטיביות אנושית. Defect זיהוי שיעורי (חיובים נכונים) לעתים קרובות עולה על 95% בעוד חיובי כוזב יכול להיות מתואם מתחת ל-2% עם הכשרה נכונה.
  • (FLT:0) ,Reduced Labour Cost:FLT:1IRECT 1, בדיקה אוטומטית לחתוך את הצורך עבור קבוצות גדולות של מפקחי הליכה.
  • (FLT:0) גילויים חמורים: 1FLT 1 (למשל, שבועי לעומת חודש) לתפוס בעיות בזמן שהם עדיין קטנים, צמצום עלויות התיקון ולהימנע מכישלונות אותות שגורמים לעיכובים או לתאונות.
  • (FLT:0) בטיחות מובטחת: מפקחים מסלקים מן המסלול מפחיתים את החשיפה לתקיפות רכבת, נופלות, ומסכנות חשמליות.
  • (FLT:0) אחזקה של נתונים-Driven:FLT:1, הנתונים העשירים שנוצרו על ידי מערכות ראייה תומכים בניתוח שורש, תביעות אחריות עם יצרנים, ותקציב מבוסס ראיות.

מספר מפעילי הרכבות דיווחו על החזרות חיוביות משמעותיות על ההשקעה.לדוגמה, פרויקט טייס של מנהל תשתיות אירופי הראה ירידה של 40% בשיבושים הקשורים לאות לאחר פריסת ראיית מכונה בשתי רכבות, עם עלויות פריסה מלאות התאוששו תוך 18 חודשים.

אתגרים ואסטרטגיות מייגציה

למרות הבטחתו, ראיית מכונה לבדיקת אותות אינה ללא מכשולים טכניים ומבצעיים.האתגרים הנפוצים ביותר כוללים:

שינוי סביבתי

גשם, שלג, ערפל ואור שמש ישיר יכולים להפיג את איכות התמונה.ג'ר ממסילות רטובות או אותות מכוסים שלג מבלבלים כמה אלגוריתמים. אסטרטגיות מייגציה כוללות שימוש במצלמות אינפרא אדום או רב-תחומיות, מצלמות על גבי מגן, תוך שימוש במסננים מקוטבים, ומודלים אימונים על נתונים סינתטיים המדמים את מזג האוויר שלילי.

המונחים: Consistency

אותות נבדקים במהלך היום, twilight, ולילה, לעתים קרובות תחת תאורה מעורבת. האלגוריתם חייב להבחין בין מנורה כי באמת dim אחד נראה דימה רק כי השמש ממוקמת מאחורי זה. תאורה פלאש מבוקר יכול לעזור, אבל סביבת הרכבת לעתים רחוקות מאפשר תאורה מסובבת בגלל סיכון עבור נהגים.פתרון מתפתח משתמש בהגדרות כפול: אור גלוי אחד ומצלמה תרמית אחד יכול למדוד באופן ישיר של תאורה LED.

אלגורית'ם רובוסטנס וחיובי שקר

מערכת ראייה שמעלה יותר מדי אזעקה כוזבת של צוות אמון ופסולת משאבים תחזוקה.פריסות מוקדמות נאבקו לעתים קרובות עם חיובי כוזב שנגרם על ידי עפר, כתמים מים, או שאריות חרקים.התרופה היא מודלים למידה עמוקה מאומן על עצום, שכותרתו מאגרי נתונים.מודרניים נטויים נטויים נטויים נטויים (CNN) וחזון יכול להשיג דיוק ברמה תעשייתית.

שילוב עם Legacy Infrastructure

רכבות רבות פועלות אותות כי הם בני עשרות שנים, שנבנו לסטנדרטים שונים וללא ממשקים דיגיטליים.חזון מכונה הוא טכנולוגיה חישה פסיבית, לא פולשנית שניתן להוסיף על גבי כל אות ללא קשר לתכנון החשמלי שלה.האתגר הוא יותר על שילוב נתונים: האכלה תוצאות בדיקה לתוך מערכות ניהול קיימות (MMS) זה דורש לעתים קרובות מתווך כדי להמיר את הראייה לפורמטים סטנדרטיים כגון MIMO או IEEE 12.

קבלה

רשויות בטיחות דורשות אימות קפדני לפני מתן תוצאות בדיקה אוטומטיות כדי להחליף בדיקות אנושיות.מערכת ראיית מכונות חייב להוכיח אמינות באמצעות ניסויים שדה נרחב.כמה הרגולטורים של בטיחות לאומית (למשל, ORR בבריטניה, FRA בארה"ב, ו-ERA באירופה) הוציאו הדרכה על השימוש בשיטות בדיקה לא אנושיות, ורבים מקבלים כעת נתונים של מכונה בשילוב עם ידניים תקופתיים בין ספקי בקרה חיוניים כדי לשמור על יעילות לחדשנות.

כיוונים עתידיים וטכנולוגיות מתפתחות

קצב החדשנות בחזון מכונה ותחזוקה של רכבות ממשיך להאיץ את מספר המגמות יעצבו את הדור הבא של מערכות בדיקת אותות:

תחזוקה חיזוי AI-Driven

במקום פשוט לזהות פגמים לאחר שהם מופיעים, מערכות עתידיות יצפו כישלונות לפני כל סימן גלוי יופיע.לדוגמה, שינויים קלים בדפוסי רטט שנלכדו על ידי מצלמות מהירות גבוהה, או שינויים קלים בטמפרטורת צבע של LED, יכול לשמש כאינדיקטורים מוקדמים.מודלים למידה עמוקה מאומן על שנים של בדיקת נתונים יכולים לזהות הסתברות נמוכה אבל אירועים של חוסר דיוק, כגון מצב של כשל רכיב מסוים בדרך כלל עקב עקומה מסוימת.

כלי רכב אוטונומיים

רובוטים אוטונומיים ומסילות רכבת המצויות בראייה מכונה כבר מפוטרים על קווים משניים ובמנהרות. יחידות אלה יכולות לבדוק אותות ללא נקיטת מסלולים מרכזיים או לדרוש מפעיל אנושי.רחפנים המופעלים על ידי השמש עם סיבולת ארוכה יכולים לפטר מאות קילומטרים, הזרמת וידאו למעבד בקרה מרכזי AI.

צוק ו-5G

עיבוד תמונות ברזולוציה גבוהה על כלי הבדיקה עצמו - במקום לשלוח את כל הנתונים לשרת ענן - מחנכים שקיפות ודרישות רוחב פס. Edge AI (כגון NVIDIA Jetson או Google Edge TPU) יכול להפעיל מודלים מתקדמים עם עומס נמוך. בשילוב עם קישוריות 5G, תוצאות בדיקה ניתן להעביר באופן מיידי למרכזי בקרה, המאפשר תגובה מיידית לפגמים קריטיים זה גם משפר אבטחה, כמו גם נתונים חזותיים, ודימויים על גבי תמונות חיצוני רק על גבי נתונים.

ספין עם משתנים אחרים

ראיית מכונות עובדת הכי טוב בשילוב עם נתונים מחיישנים אחרים. Gauges, accelerometers, מצלמות תרמיות, ו- Lidar כל אחד מספק מידע ייחודי.עבור בדיקת אות, היתוך עם מכ"ם יכול לזהות צמיחה צמחייה מאחורי שיחים שמצלמות לא יכולות לראות דרך. ענני נקודת Lidar מודדים בדיוק את אות האנכיטי וההתנחלות הקרקעית. Aדיגיטלית' של כל אות - בנוי מהנתונים הממוזגבים - מאפשר מהנדסים כדי לסימולציה ומהנדסים לשנות את האבטחה.

סטנדרטיזציה ותבניות נתונים פתוחות

ככל שמסילות רכבת נוספות מאמצות ראיית מכונה, הצורך בסטנדרטים נפוצים של נתונים גדל.מיזמים כמו מודל הנתונים הבינלאומי לתשתית רכבת (IDMRI) וסטנדרט הנתונים של Rail Data Standard (RDS) במטרה להפוך את נתוני הביקורת למורכבים על פני יצרנים ומפעילים.זה יפחית את העלות של שילוב מערכות חזון חדשות ויאפשר רכבות לדירוג ביצועים באזורים.

דוגמאות לשיטות ותעשייה

מספר מפעילי הרכבות דיווחו בפומבי על הצלחות עם ראיית מכונה לבדיקה של אותות:

  • חברת הרכבות היפנית (JR East): ההרחבה 1 (FLT:0) רשמה "רכבת בדיקה מיידית" מצוידת במצלמות 4K ובניתוח בינה מלאכותית.בטייס המכסה 2,000 אותות, המערכת זיהתה 98% מהמומים הגלויים עם פחות מ-1% חיובי כוזב.החברה משתמשת כעת במערכת לבדיקה רבעונית ברשת שינקנסן שלה.
  • (FLT:0Network Rail (בריטניה): FLT:1 השיקה משפט באמצעות מל"טים ומצלמות קבועות כדי לבדוק אותות על קו הספל-קרסל הכפרי.הבדיקות המבוססות על המל"טים הפחיתו את זמן הבדיקה ב-80% וחשפו כמה ראשי אותות מקוצצים שפטרוריטים ידניים החמצמו עקב אי-אפשרות ירודה.
  • (FLT:0)Deutsche Bahn (גרמניה): ibph:1 השתתף בפרויקט מחקר אירופי "RailVISION" שפיתח פלטפורמה סטנדרטית של ראיית מכונה עבור סוגים מרובים של תשתיות, כולל אותות.המערכת פועלת כעת על צי של רכבות בדיקה והוא משולב עם מודול התחזוקה מבוסס SAP.

דוגמאות אלה מראות כי הטכנולוגיה אינה רק תיאורטית – היא מספקת תוצאות אמיתיות על רכבות עבודה.כפי שעולה עלויות ואמינות, כבישים קטנים יותר של משא ומערכות תחבורה עירוניות גם יאמצו ראיית מכונה.

לקריאה נוספת על המפרט הטכני, ראה את ה-FLT:0Institute for Artificial Intelligence in Railway ApplicationsFLT:1 ו-FLT:2MDPI חיישןs נושא מיוחד ב-Clock בדיקה של רכבת 3:3.

מסקנה

ראיית מכונות עברה מסקרנות ניסיונית לכלי חיוני לבדיקת אותות רכבת מודרנית ותחזוקה. על ידי החלפת בדיקות ידניות איטיות וסובייקטיביות עם לכידת נתונים מהירה, אובייקטיבית, רכבות יכולות לשפר את הבטיחות, להפחית עלויות, ולעבור מתיקוןים תגובתיים לתחזוקה חיזויית.הטכנולוגיה אינה ללא אתגרים - תנאי חירום, אלגוריתמים, וקבלה רגולטורית דורש ניהול זהירה - אבל אלה מתגברים בהתמדה באמצעות התקדמות בבינה מלאכותית, כמו גם אותות אבטחה ודרישות קיבולת גבוהה יותר, כמו גם קיבולת מחשוב, וכושר עמידה יותר, כמו גם קיבולת גבוהה יותר, וכושר אבטחה, כמו גם קיבולת גבוהה יותר, כמו גם קיבולת אבטחה, כמו גם קיבולת גבוהה יותר, כמו גם קיבולת גבוהה יותר, וכושר אחסון, וכושר אחסון, וכושר אחסון, וכושר אבטחה, וכושר אבטחה, וקיבולת גבוהה יותר, כמו גם קיבולת אבטחה, וכושר אבטחה, וכושר אבטחה, וכושר אבטחה, וכושר אבטחה, כמו גם קיבולת אבטחה, וכושר אבטחה, כמו גם קיבולת אבטחה גבוהה יותר, ואימון אבטחה גבוהה יותר, כמו גם קיבולת אבטחה, ואימון אבטחה, וכושר ניהול קפדני יותר, ואימון ביצועים גבוהים יותר, ואימון ביצועים גבוהים יותר, ואימון, וכושר