Există motive întemeiate de entuziasm în jurul aplicării analizei video, AI și învățării automate pentru a îmbunătăți siguranța la trecerile la nivel. În perioada 2009-2018, Administrația Federală a Căilor Ferate din SUA (FRA) a raportat în medie peste 900 de răniți și 250 de decese la trecerile de cale ferată anual. În UE, în 2018, Eurostat a raportat că au existat 447 de accidente la trecerile la nivel, care au fost, de asemenea, cauza a mai mult de unul din patru decese feroviare.
De câțiva ani încoace, operatorii feroviari folosesc camere CCTV pentru a monitoriza trecerile la nivel și alte părți ale infrastructurii lor pentru a reduce incidentele și a îmbunătăți siguranța pentru public și angajați. Cu toate acestea, provocarea cu videoclipul constă în faptul că deseori este nevoie ca cineva să urmărească continuu fluxul pentru a detecta anomalii de siguranță. În mod surprinzător, totuși, operatorii umani pot dezvolta „orbire video” și, după perioade relativ scurte de timp, monitorizând mai multe fluxuri video, nu pot vedea incidentele pe care camerele le înregistrează.
Un studiu al Research Record din 2018 a analizat utilizarea AI în analiza video pentru căile ferate și a constatat că ar putea reduce semnificativ efortul laborios necesar procesării datelor video de la CCTV și ar reduce efectul „orbirii video” asupra operatorilor, îmbunătățind astfel bunăstarea și calitatea muncii lor. Cel mai important, ar putea detecta în mod corect evenimente near-rate asociate cu trecerea nesigură la trecerile de cale ferată, ceea ce ar putea duce la rândul său la dezvoltarea tehnologiilor de trecere la nivel mai sigure.
Unul dintre motivele pentru care aplicația de analiză video are o astfel de promisiune este că CCTV-urile au fost adoptate pe scară largă de către industrie. De fapt, analiza video are potențialul de a transforma o resursă aproape universal disponibilă – camerele CCTV instalate – și de a le transforma în senzori IoT de ultimă generație la un cost relativ mic pentru operatori.
Marele pas înainte în dezvoltarea analizei video a fost aplicarea învățării automate pentru a detecta aceste anomalii în fluxul video fără supraveghere umană și apoi avertiza personalul feroviar cu privire la posibilitatea unei probleme. În plus, unele sisteme oferă și detectarea obiectelor pentru a recunoaște dacă anomalia este o mașină sau o persoană, ceea ce poate ajuta la accelerarea măsurilor de siguranță.
Această nouă abordare mai reușită implică instruirea software-ului de analiză – algoritmul – pentru a înțelege cum arată o trecere la nivel goală, și apoi să o reacționeze doar la schimbări împotriva acelui tipar cunoscut și invariabil.
Logica acestei abordări este mult mai simplă. Programul de analiză poate fi instruit să ignore activitatea de la trecerea la nivel până la închiderea accesului. În acest moment, calea (căile) ar trebui să fie goale.
La închiderea barierei (na sau a ordinului de oprire a circulației rutiere), orice modificare a modelului video digital al „pieselor goale” este tratată apoi ca un „eveniment”, care poate declanșa o alertă către un operator uman pentru a verifica filmările. Când operatorul examinează înregistrările video anormale, atunci poate lua măsuri dacă este necesar.
În această abordare, motorul AI nu trebuie să fie la fel de inteligent ca un om, ci trebuie doar să facă treaba plictisitoare de a monitoriza 99,9% din fluxul video atunci când nu se întâmplă de fapt nimic. În timp și mii de ore de analiză a imaginilor, algoritmul poate fi instruit pentru a recunoaște modele care nu necesită o alertă, cum ar fi ploaie sau zăpadă, frunze și alte evenimente normale de mediu. Personalul poate eticheta acest tip de filmare astfel încât software-ul să primească feedback constant pentru a-și îmbunătăți abilitățile și a reduce numărul de fals pozitivi.
Acest tip de soluție de analiză video simplifică, de asemenea, analiza medico-legală a incidentelor, inclusiv identificarea celor aproape nepreluate. Software-ul poate fi pur și simplu instruit să arunce sau să arhiveze toate filmările care corespund vizualizării normale a scenei, ceea ce nu numai că reduce drastic cantitatea de stocare video necesară, ci și reduce cantitatea de imagini pe care echipa de criminalistică trebuie să le revizuiască.
Deoarece astfel de date sunt colectate pe sute de mii de treceri la nivel, nu este greu de imaginat că lecțiile învățate vor duce la o siguranță mult mai mare pentru public și mari economii operaționale pentru operatorii feroviari. Un operator care a efectuat deja teste cu privire la acest tip de siguranță sporită a trecerilor feroviare este operatorul feroviar japonez Odakyu Electric Railway.
Odată cu testarea la intersecția de cale ferată nr.8 Tamagawa Gakuenmae din orașul Machida, Tokyo, Odakyu a lucrat pentru a detecta evenimente anormale prin aplicarea AI bazată pe învățarea automată a imaginilor camerei disponibile.
Analizând fluxurile de imagini disponibile generate de camerele convenționale de trecere a căilor ferate, software-ul poate identifica potențiale probleme în timp real. Funcționând pe resurse de calcul de margine, poate reduce, de asemenea, lățimea de bandă necesară pe site-urile îndepărtate, care pot avea o conectivitate limitată.
Principalul beneficiu al acestui tip de abordare a analizei video este capacitatea sa de a adăuga un nivel suplimentar de siguranță – în plus față de sistemele de siguranță implementate existente – prin transmiterea alertelor în timp real către sistemele externe atunci când este detectată o activitate importantă. Acest lucru permite senzorilor de trecere feroviară să se integreze cu procesele operaționale existente, sporind cunoștințele și deciziile luate de personalul de securitate și siguranță, fără a le înlocui. Acest lucru ajută și la acceptarea sistemului de către personalul operațional.
În cele din urmă, deoarece aceste sisteme pot funcționa cu majoritatea camerelor IP existente și chiar și cu camerele mai vechi, cu rezoluție mai mică, nu necesită o actualizare costisitoare la sistemele moderne CCTV HD. Aceasta înseamnă că utilizarea camerelor CCTV pentru a monitoriza trecerile la nivel folosind învățarea automată nu este doar o soluție futuristă și inaccesibilă, ci mai degrabă un mod practic în care majoritatea operatorilor feroviari ar putea îmbunătăți cu ușurință siguranța la trecerile la nivel de astăzi.
Prelucrare după globalrailwayreview.com
