Использование машинного зрения при железнодорожном осмотре и обслуживании сигналов

Железнодорожные сигналы образуют основу безопасных железнодорожных операций, обеспечивая критические инструкции для водителей и контролируя поток трафика через все более плотные сети. Исторически, проверка сигналов полагалась на человеческие экипажи, идущие по обочине, визуально оценивая оборудование для повреждения, износа, смещения или препятствий. Хотя этот ручной процесс по своей сути медленный, субъективный и уязвимый для усталости. Внедрение технологии машинного зрения перевернуло эти традиционные методы, позволяя железным дорогам проверять сигналы с более высокой точностью, более низкой стоимостью и большей частотой. В этой статье рассматривается, как работает машинное зрение, его конкретные приложения в проверке сигналов, преимущества и проблемы, которые он представляет, и где технология движется дальше.

Что такое машинное зрение?

Машинное зрение сочетает в себе аппаратное обеспечение для визуализации с высоким разрешением со сложным программным обеспечением для автоматического захвата и интерпретации визуальных данных. В промышленном контексте типичная система машинного зрения включает в себя одну или несколько камер (часто со специализированными объективами и фильтрами), контролируемое освещение для обеспечения согласованного качества изображения, процессор для запуска алгоритмов анализа и интерфейс для вывода результатов или триггеров. «интеллект» исходит из библиотек обработки изображений - начиная от классических методов компьютерного зрения (обнаружение передней части, сопоставление шаблонов, пороговое значение) до современных моделей глубокого обучения, которые могут распознавать сложные шаблоны и аномалии.

Для проверки железнодорожных сигналов камеры обычно устанавливаются на инспекционных поездах, дронах или стационарных козлах. Они захватывают изображения на высокой скорости и в различных условиях окружающей среды. Затем программное обеспечение для зрения сравнивает каждое изображение с эталонными моделями или историческими данными с отклонениями флага. Передовые системы могут работать в режиме реального времени, предупреждая команды технического обслуживания непосредственно при обнаружении дефекта. Поле быстро созревает благодаря улучшению разрешения камеры, вычислительной мощности и доступности больших наборов данных для обучения машинному обучению.

Традиционные методы проверки сигналов и их ограничения

До машинного зрения железнодорожные операторы почти исключительно полагались на ручные линейные прогулки и периодические визуальные проверки обученными инспекторами. Эти проверки следуют стандартизированным контрольным спискам - проверка аспектов сигнала, яркости лампы, чистоты объектива, структурной целостности и выравнивания крепления. В то время как тщательный осмотр человека страдает от нескольких присущих недостатков:

Машинное зрение напрямую устраняет каждый из этих недостатков, предлагая повторяемую, объективную и богатую данными альтернативу.

Применение машинного зрения при железнодорожной проверке сигналов

Обнаружение повреждений

Одним из наиболее простых способов использования машинного зрения является выявление физического повреждения сигнальных структур, корпуса и линз. Камеры высокого разрешения могут обнаруживать микротрещины в пластиковых или металлических корпусах, коррозию на монтажных скобках, сломанные или отсутствующие болты, а также чипы или царапины на стеклянных или поликарбонатных линзах. Алгоритмы, обученные на тысячах примеров поврежденных компонентов, могут различать безвредные поверхностные метки и серьезные структурные дефекты, которые требуют немедленного внимания. Например, система зрения, установленная на испытательном поезде, может захватывать изображения с нескольких углов, когда она проходит на скорости линии, создавая 360-градусный вид каждой сигнальной мачты и головы.

Выравнивание и проверка позиции

Сигналы должны быть точно выровнены так, чтобы водители могли видеть их с правильного расстояния и угла подхода. Несоответствие может происходить из-за наземного расселения, случайного удара или постепенного ослабления аппаратного обеспечения. Системы машинного зрения используют фидуциальные маркеры или геометрические опорные точки на изображении для измерения углового отклонения. Если сигнал сместился даже на несколько градусов, программное обеспечение его сигнализирует. Некоторые системы объединяют стереокамеры или LIDAR для создания 3D-облака точек сигнала и его окружения, что позволяет с точностью до миллиметра отслеживать положение при повторных прогонах.

Мониторинг препятствий и вегетаций

Заросшая растительность, упавшие ветви деревьев, накопление снега или строительный мусор могут частично или полностью блокировать сигнал. Машинное зрение с семантической сегментацией может классифицировать пиксели как "сигнал", "растительный", "небо", "земля" и т. д. Если область сигнала зажата за заданным порогом, поднимается оповещение. Это особенно ценно для сигналов в сельских или лесных районах, где растительность быстро растет. Беспилотники, оснащенные камерами машинного зрения, могут вылететь за пределы визуальной линии зрения для проверки удаленных сигналов в часы, а не отправки наземного экипажа в двухдневный поход.

Оценка освещения и видимости

Сигнальные лампы - будь то лампы накаливания, светодиоды или оптоволоконные - должны поддерживать заданную интенсивность, цвет и пучок луча. Системы машинного зрения могут захватывать освещенный сигнал при различных условиях окружающего света (день, сумерки, ночь) и измерять яркость, цветность и однородность. Они могут обнаруживать неисправный светодиод, который кажется нормальным для человеческого глаза, но упал ниже минимальной интенсивности для безопасной работы. Блеск от грязи, конденсация внутри линзы или птичьего помета также могут быть автоматически обнаружены и сообщены. Это устраняет необходимость периодических ночных проверок, которые нарушают расписание поездов.

Автоматическая классификация дефектов и прогнозная аналитика

Современные системы машинного зрения выходят за рамки простых решений о пропусках/провалах. Они классифицируют дефекты по типу, серьезности и местоположению, подавая эти данные на платформы управления активами. С достаточным количеством исторических данных появляются тенденции: конкретная сигнальная модель может развить коррозию в одном и том же месте через три года, или тип линзы может быстрее ухудшаться в прибрежных средах. Это позволяет прогнозировать обслуживание - фиксировать сигналы до их выхода из строя, основываясь на моделях, управляемых данными, а не на фиксированных временных интервалах. Некоторые железные дороги уже интегрируют данные видения с их системами планирования ресурсов предприятия (ERP) для автоматического генерирования рабочих заказов, когда дефект превышает порог риска.

Технические преимущества и операционные преимущества

Применение машинного зрения для проверки сигналов дает несколько измеримых преимуществ в отношении безопасности, стоимости и эффективности:

Например, пилотный проект европейского менеджера инфраструктуры показал 40%-ное снижение сбоев, связанных с сигналом, после развертывания машинного зрения на двух испытательных поездах, при этом полная стоимость развертывания была восстановлена менее чем за 18 месяцев.

Проблемы и стратегии смягчения

Несмотря на свои обещания, машинное зрение для проверки сигналов не лишено технических и эксплуатационных препятствий.

Экологическая изменчивость

Дождь, снег, туман и прямой солнечный свет могут ухудшить качество изображения. Снятие влажной оси или заснеженных сигналов путает некоторые алгоритмы. Стратегии смягчения включают использование инфракрасных или многоспектральных камер, установку камер под защитными щитами, использование поляризационных фильтров и обучающие модели на синтетических наборах данных, которые имитируют неблагоприятную погоду. Некоторые системы используют ИИ для автоматической оценки качества изображения и флага любого проверочного пробега, где условия были слишком плохими для надежного анализа.

Последовательность освещения

Сигналы проверяются в дневное, сумеречное и ночное время, часто при смешанном освещении. Алгоритм должен различать лампу, которая действительно тусклая, и тусклую, которая кажется тусклой просто потому, что за ней садится солнце. Контролируемое флеш-освещение может помочь, но железнодорожная среда редко разрешает стробовое освещение из-за риска отвлечения внимания для водителей. В новом решении используются установки с двумя камерами: одна стандартная камера видимого света и одна тепловая камера. Тепловая визуализация в значительной степени невосприимчива к окружающему освещению и может непосредственно измерять тепловую сигнатуру ламп накаливания или температуру перехода светодиодов, сильно коррелируя с световым выходом.

Алгоритм Надежность и ложные позитивы

Система зрения, которая поднимает слишком много ложных тревог, подрывает доверие экипажа и растрачивает ресурсы на техническое обслуживание. Ранние развертывания часто боролись с ложными срабатываниями, вызванными грязью, пятнами воды или остатками насекомых. Средством является модели глубокого обучения, обученные на обширных, меченых наборах данных. Современные сверточные нейронные сети (CNN) и трансформаторы зрения могут достичь точности промышленного уровня. Кроме того, шаг подтверждения многокадрового сигнала - флажок дефекта только в трех последовательных проходах - значительно снижает ложные предупреждения. Регулярная переподготовка модели с новыми данными сохраняет высокую производительность по мере появления сигналов и новых типов дефектов.

Интеграция с инфраструктурой Legacy

Многие железные дороги используют сигналы, которые существуют десятилетиями, построены по разным стандартам и без цифровых интерфейсов. Машинное зрение - это пассивная, неинтрузивная технология зондирования, которая может быть добавлена поверх любого сигнала независимо от его электрической конструкции. Задача больше связана с интеграцией данных: подачей результатов проверки в существующие системы управления обслуживанием (MMS). Это часто требует промежуточного программного обеспечения для преобразования выходного зрения в стандартные форматы, такие как MIMOSA или IEEE 1232. Железнодорожные операторы должны планировать обновления архитектуры данных, чтобы полностью использовать технологию.

Регулятивное принятие

Органы безопасности требуют тщательной проверки, прежде чем разрешить автоматизированные результаты проверки для замены проверок на людях. Системы машинного зрения должны продемонстрировать проверенную надежность посредством обширных полевых испытаний. Несколько национальных регуляторов безопасности (например, ORR Великобритании, FRA в США и ERA в Европе) выпустили руководство по использованию методов проверки, не связанных с человеком, и многие теперь принимают данные машинного зрения в сочетании с периодическими ручными аудитами. Сотрудничество между поставщиками технологий и регулирующими органами имеет важное значение для поддержания процессов утверждения в соответствии с скоростью инноваций.

Будущие направления и новые технологии

Темпы инноваций в машинном зрении и обслуживании железных дорог продолжают ускоряться. Несколько тенденций будут формировать следующее поколение систем контроля сигналов:

AI-Driven Predictive Maintenance (Прогнозируемое техническое обслуживание)

Вместо того, чтобы просто обнаруживать дефекты после их появления, будущие системы будут предсказывать сбои до появления любого видимого знака. Например, тонкие изменения в вибрационных моделях, захваченных высокоскоростными камерами, или минутные сдвиги цветовой температуры светодиода могут служить ранними индикаторами. Модели глубокого обучения, обученные на многолетних данных проверки, могут идентифицировать события с низкой вероятностью, но с высокой последствием, такие как режим отказа конкретного компонента, который обычно следует за определенной кривой деградации.

Автономные инспекционные автомобили

Самоуправляемые дроны и роботы, оснащенные системой машинного зрения, уже проходят испытания на вторичных линиях и в туннелях. Эти устройства могут проверять сигналы, не занимая магистральных путей или не требуя участия человека-оператора. Дроны с солнечной энергией с большой выносливостью могут патрулировать сотни километров, передавая видео на центральный процессор ИИ. Полностью автономные инспекционные парки позволят осуществлять непрерывный мониторинг, а не периодические проверки, сдвигая парадигму технического обслуживания с реактивной на почти в реальном времени.

Edge Computing и 5G

Обработка изображений высокого разрешения на самом инспекционном транспортном средстве - вместо того, чтобы отправлять все данные на облачный сервер - снижает требования к задержке и пропускной способности. Чипы Edge AI (такие как NVIDIA Jetson или Google Edge TPU) могут запускать расширенные модели с низким энергопотреблением. В сочетании с подключением 5G результаты проверки могут быть немедленно переданы в центры управления, что позволяет мгновенно реагировать на критические дефекты. Эта архитектура также повышает безопасность данных, поскольку необработанные изображения могут обрабатываться на месте и только оповещения и метаданные, передаваемые извне.

Слияние с другими модулями восприятия

Машинное зрение работает лучше всего в сочетании с данными от других датчиков. Гауги, акселерометры, тепловые камеры и лидары предоставляют уникальную информацию. Для проверки сигналов слияние с радаром может обнаруживать рост растительности за кустами, которые камеры не могут видеть. Облака точек Lidar точно измеряют вертикаль мачты сигнала и наземное поселение. «цифровой двойник» каждого сигнала, построенный из данных слитых датчиков, позволяет инженерам с уверенностью имитировать изменения и планировать вмешательства.

Стандартизация и форматы открытых данных

По мере того, как все больше железных дорог внедряют машинное зрение, растет потребность в общих стандартах данных. Такие инициативы, как Международная модель данных для железнодорожной инфраструктуры (IDMRI) и Стандарт данных о железных дорогах (RDS), направлены на обеспечение совместимости данных инспекции между производителями и операторами. Это снизит стоимость интеграции новых систем видения и позволит железным дорогам оценивать производительность в разных регионах.

Примеры тематических исследований и промышленности

Несколько железнодорожных операторов публично сообщили об успехах в области машинного зрения для проверки сигналов:

Эти примеры показывают, что технология не просто теоретическая, она дает реальные результаты на рабочих железных дорогах. По мере снижения затрат и повышения надежности небольшие грузовые дороги и городские транзитные системы также будут принимать машинное зрение.

Для дальнейшего чтения технических спецификаций см. Институт искусственного интеллекта в железнодорожных приложениях и Специальный выпуск датчиков MDPI по железнодорожному техосмотру .

Заключение

Машинное зрение перешло от экспериментального любопытства к важному инструменту для современного железнодорожного контроля и технического обслуживания. Заменив медленные субъективные ручные проверки высокоскоростным, объективным сбором данных, железные дороги могут повысить безопасность, снизить затраты и перейти от реактивного ремонта к профилактическому обслуживанию. Технология не лишена проблем - экологические условия, надежность алгоритма и нормативное принятие требуют тщательного управления - но они неуклонно преодолеваются благодаря достижениям в области искусственного интеллекта, синтеза датчиков и граничных вычислений. По мере того, как мировые железнодорожные сети расширяются и сталкиваются с все большими требованиями к пунктуальности и пропускной способности, машинное зрение предлагает масштабируемое, богатое данными решение, которое сохраняет сигналы - и поезда, которыми они руководят - безопасно работают.