تطبيقات الرؤية الحاسوبية في عمليات السكك الحديدية

للاطلاع على شرح مرئي للمفاهيم الواردة في هذه المقالة، شاهد الفيديو أدناه.

تُعد السكك الحديدية جزءًا أساسيًا من أنظمة النقل البري. وتمتد شبكات السكك الحديدية لأكثر من مليون كيلومتر من المسارات حول العالم، فتربط المدن والصناعات والمجتمعات عبر مسافات شاسعة. ومع توسع هذه الأنظمة وتزايد الطلب، يتطلب ضمان السلامة والكفاءة أكثر من مجرد الفحوص والمراقبة اليدوية.

تزداد أهمية الحلول الجديدة. فعلى سبيل المثال، تُستخدم الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي (AI) يُعنى بمعالجة البيانات المرئية، لتبسيط عمليات السكك الحديدية المختلفة.

تستخدم الأنظمة المدعومة بالرؤية الكاميرات ونماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لتزويد مشغّلي السكك الحديدية برؤية آنية للعمليات. ومن خلال مهام مثل اكتشاف الأجسام وتجزئة الكائنات، تستطيع نماذج مثل YOLO11 تحليل القضبان والمنصات والأنفاق وداخل القطارات لاكتشاف الأجسام والأشخاص والمخاطر.

لنتصور وقوف شخص قريبًا جدًا من حافة المنصة أو ظهور حطام على القضبان. يستطيع الذكاء الاصطناعي للرؤية اكتشاف ذلك في الوقت الفعلي وإرسال تنبيه، ما يتيح لفرق المحطات الاستجابة بسرعة ومنع تحول المخاطر المحتملة إلى تأخيرات أو حوادث. كما يساعد الموظفين عبر مراقبة المناطق التي يصعب متابعتها باستمرار.

الشكل 1. مثال على استخدام Ultralytics YOLO11 لاكتشاف أشخاص واقفين على رصيف محطة قطار.

مع تزايد اعتماد الذكاء الاصطناعي والرؤية الحاسوبية، بدأت مدن أكثر باستخدام ذكاء الرؤية الاصطناعي لجعل عمليات السكك الحديدية أكثر أمانًا وكفاءة. وسنستعرض في هذه المقالة تطبيقات ذكاء الرؤية الاصطناعي في سير عمل النقل بالسكك الحديدية حول العالم.

دور الذكاء الاصطناعي للرؤية في عمليات النقل بالسكك الحديدية#

تتضمن شبكات السكك الحديدية عناصر متحركة كثيرة ينبغي مراقبتها في الوقت الفعلي. ويمكن الآن أتمتة ما كان موظفو المحطات يتولونه تقليديًا باستخدام الذكاء الاصطناعي. وتساعد نماذج الرؤية الحاسوبية مثل YOLO11 مشغّلي المحطات على مراقبة وظائف السكك الحديدية عن كثب والاستجابة سريعًا عند ظهور المشكلات.

وعلى وجه الخصوص، تشير مهام الرؤية الحاسوبية إلى الوظائف المحددة التي يمكن تدريب هذه النماذج على تنفيذها باستخدام مدخلات مرئية من الكاميرات. وفيما يلي بعض المهام الأساسية التي يمكن استخدامها لمراقبة عمليات السكك الحديدية:

• اكتشاف الأجسام: تتضمن هذه المهمة تحديد أجسام معينة داخل صورة أو إطار فيديو وتحديد مواقعها. وفي تطبيقات السكك الحديدية، يمكن لنماذج مثل Ultralytics YOLO11 اكتشاف أشياء مثل الحطام والأدوات والأمتعة والأشخاص على القضبان أو بالقرب منها.
• تجزئة الحالات: تحدد كل كائن على حدة باستخدام قناع على مستوى البكسل بدلًا من مربع إحاطة. ويمكن استخدامها في مراقبة البنية التحتية للسكك الحديدية لتقييم حالة المسارات والمنصات والأسطح الأخرى، من خلال تحديد سمات مثل الشقوق والتآكل والبلى.
• تقدير الوضعية: يتضمن ذلك اكتشاف مواضع مفاصل الجسم الرئيسية وتحليلها لفهم وضعية الإنسان. وفي بيئات السكك الحديدية، يمكن أن يساعد على تحديد حالات الطوارئ، مثل سقوط شخص على رصيف، وإطلاق تنبيهات للتدخل.
• تتبّع الأجسام: يشير ذلك إلى مراقبة حركة الأجسام المكتشفة عبر إطارات فيديو متعددة. وفي المحطات أو القطارات، يساعد التتبّع على متابعة تدفق الركاب ومراقبة حركة القطارات.

الشكل 2. يمكن استخدام Ultralytics YOLO11 لاكتشاف الأشخاص والقطارات وتتبعهم لأغراض السلامة.

استخدام الذكاء الاصطناعي البصري لمراقبة السكك الحديدية#

على الرغم من ارتباط المراقبة القائمة على الرؤية عادةً بالأمن والمراقبة، تستخدم أنظمة السكك الحديدية الذكاء الاصطناعي البصري لأغراض تتجاوز المهام الأمنية الأساسية بكثير. كما يسهم في تحسين العمليات وتعزيز السلامة ودعم الإدارة الشاملة للنظام عبر الشبكة.

تتمثل إحدى المزايا الرئيسية لاستخدام الذكاء الاصطناعي البصري في النقل العام في قدرته على العمل في الوقت الفعلي، ما يتيح لموظفي المحطات الحصول على معلومات مفيدة في الوقت المناسب والاستعداد للمشكلات المحتملة.

لنلقِ نظرة على بعض الأمثلة الواقعية لكيفية مساعدة الرؤية الحاسوبية للسكك الحديدية على العمل بدقة وتحكم أكبر.

اكتشاف الأجسام في أنظمة السكك الحديدية لمهام الصيانة#

مع استمرار نمو حركة السكك الحديدية في أوروبا، أصبحت الحاجة إلى مراقبة موثوقة للبنية التحتية أمرًا بالغ الأهمية. يجب فحص القضبان بانتظام بحثًا عن الاهتراء والأضرار وعدم المحاذاة، لضمان عمليات آمنة وسلسة. ويشمل ذلك فحص آلاف الكيلومترات من القضبان بحثًا عن مؤشرات مبكرة للعيوب قبل أن تؤدي إلى اضطرابات مكلفة أو حوادث. يوفر الذكاء الاصطناعي البصري وسيلة فعالة لأتمتة عملية الفحص هذه وتحسينها.

الشكل 3. تستطيع أنظمة الرؤية الحاسوبية اكتشاف الأجزاء المعيبة من قضبان السكك الحديدية.

فعلى سبيل المثال، في هولندا، حيث تمتد شبكة السكك الحديدية آلاف الكيلومترات، تمثل مراقبة القضبان وصيانتها باستمرار مهمة ضخمة. وما زالت عمليات الفحص اليدوي مهمة، لكنها قد تكون بطيئة وتتطلب جهدًا كبيرًا، وغالبًا ما تعطل الخدمة. ولمعالجة ذلك، أُدخل نظام للرؤية الحاسوبية من أجل فحص حالة قضبان السكك الحديدية في الوقت الفعلي.

تلتقط الكاميرات المثبتة على القطارات المتحركة تدفقًا متواصلًا من الصور عالية الدقة. ثم تحلل نماذج الذكاء الاصطناعي البصري هذه الصور، بعد تدريبها على اكتشاف حالات عدم محاذاة القضبان، والمكونات المهترئة أو التالفة، والأجزاء المفقودة.

مع تطبيق المراقبة المستمرة والمؤتمتة، أصبحت عمليات الفحص أسرع وأكثر دقة. ويمكن لفرق الصيانة إعطاء الأولوية للمناطق الأشد حاجة إلى الاهتمام، والحد من عمليات الفحص غير الضرورية. ونتيجة لذلك، تمكن المشغلون من خفض المخاطر التشغيلية وتقليل التأخيرات وتحسين السلامة العامة، من دون تعطيل الخدمة اليومية.

تعزيز سلامة العمليات بالذكاء الاصطناعي في البنية التحتية للسكك الحديدية#

في مشاريع السكك الحديدية واسعة النطاق، يمثل الحفاظ على السلامة في الموقع أحد أكثر التحديات استمرارًا. وقد تجلى ذلك بوضوح أثناء إنشاء شبكة السكك الحديدية الحضرية في ووهان بالصين، حيث تطلبت مواقع العمل النشطة والظروف المتغيرة إشرافًا مستمرًا.

تقليديًا، اعتمدت فحوصات السلامة على الملاحظة اليدوية، ما كان يعني غالبًا عدم تحديد المخاطر إلا بعد وقوع حادث. ولتحسين سرعة الاستجابة والحد من المخاطر، أدخل الباحثون نظامًا لمراقبة السلامة في الوقت الفعلي يعمل بالرؤية الحاسوبية.

رُكبت أكثر من 240 كاميرا عالية الدقة في مواقع الإنشاء لتسجيل الأنشطة باستمرار. وعولجت مقاطع الفيديو في الموقع باستخدام نماذج ذكاء اصطناعي قادرة على اكتشاف دخول الأفراد إلى المناطق الخطرة، وكذلك تحديد ما إذا كانت المعدات القريبة ثابتة أم متحركة، وهو عامل مهم في تقييم المخاطر آنيًا. وعند اكتشاف سلوك غير آمن، كان بإمكان النظام إرسال تنبيهات فورية إلى مشرفي الموقع.

الشكل 4. اكتشاف المخاطر باستخدام الرؤية الحاسوبية.

نظرة على مراقبة السكك الحديدية باستخدام الذكاء الاصطناعي البصري#

إلى جانب تحسين الصيانة وفحوصات السلامة، تُستخدم الرؤية الحاسوبية أيضاً لمراقبة مسارات السكك الحديدية آنياً ورصد التعديات. وهذا مصدر قلق بالغ، إذ أُبلغ عن نحو 1,000 حالة وفاة مرتبطة بالسكك الحديدية في الولايات المتحدة خلال عام 2023 وحده. وشملت حوادث كثيرة منها دخول أشخاص إلى المسارات دون تصريح، وهو مجال غالباً ما تكون فيه أساليب المراقبة التقليدية محدودة.

لمعالجة هذه المشكلة، بدأت السكك الحديدية في الولايات المتحدة اعتماد حلول الرؤية الحاسوبية. وتستخدم هذه الأنظمة بث الفيديو المباشر الذي تحلله نماذج الذكاء الاصطناعي لاكتشاف أحداث مثل التعدي على القضبان والعوائق عليها ومخالفات الإشارات المحتملة. ومن خلال تحديد هذه المشكلات فور وقوعها، يساعد النظام الفرق على الاستجابة بسرعة، قبل تعطل الخدمة أو تعريض السلامة للخطر.

على خلاف عمليات الفحص اليدوي التي تُجرى على فترات محددة، توفر أنظمة الرؤية الحاسوبية مراقبة مستمرة للشبكة في الوقت الفعلي. وعند اكتشاف تهديد، تُرسل التنبيهات فورًا إلى المشغلين، ما يتيح استجابات سريعة وموجهة. ويؤدي ذلك إلى تحسين الوعي الظرفي وتسريع التدخل وتقليل التأخيرات الناجمة عن الحوادث التي يمكن تجنبها.

مراقبة سلامة الأغذية باستخدام الذكاء الاصطناعي البصري#

يُعد يوميًا ملايين الوجبات وتُقدّم على متن القطارات وفي المحطات، حيث تحظى النظافة بأولوية قصوى. وفي الهند، تدير شركة السكك الحديدية الهندية للتموين والسياحة (IRCTC) إحدى أكبر شبكات الأغذية المرتبطة بالسكك الحديدية في العالم.

حتى وقت قريب، كانت فحوصات النظافة تُجرى يدويًا، ما جعل مراقبة كل مطبخ طوال الوقت أمرًا صعبًا. ولزيادة الكفاءة والموثوقية، أدخلت IRCTC نظامًا للذكاء الاصطناعي البصري يراقب ممارسات سلامة الأغذية في الوقت الفعلي.

يتصل النظام بكاميرات المراقبة الحالية في المطابخ ومناطق إعداد الطعام. ويستخدم نماذج ذكاء اصطناعي دُرّبت على اكتشاف مشكلات النظافة الشائعة، مثل عدم غسل العاملين أيديهم، أو عدم ارتداء القفازات أو أغطية الشعر، أو عدم نظافة أماكن العمل.

منذ تطبيقه، ساعد النظام على تحسين معايير النظافة وسهّل على العاملين متابعة سلامة الأغذية، مع إتاحة مزيد من الوقت لهم للتركيز على إعداد الوجبات بدلًا من الاكتفاء بفحص الإجراءات.

إيجابيات وسلبيات الرؤية الحاسوبية في عمليات السكك الحديدية#

توفر الرؤية الحاسوبية مجموعة من المزايا لتحسين السلامة والصيانة والعمليات اليومية في أنظمة السكك الحديدية. إليك بعض أبرز هذه المزايا:

• الصيانة التنبؤية: من خلال اكتشاف المؤشرات المبكرة للاهتراء أو الأضرار في القضبان والبنية التحتية، يمكن للذكاء الاصطناعي البصري المساعدة على منع الأعطال قبل وقوعها.
• المراقبة على مدار الساعة: على خلاف المفتشين البشر، تستطيع أنظمة الرؤية الحاسوبية العمل باستمرار دون تعب أو نوبات عمل.
• قابلية التوسع: بعد تطبيق النظام، يمكن توسيعه ليشمل مزيدًا من المحطات والقطارات ومناطق التشغيل بأقل جهد إضافي.

على الرغم من المزايا العديدة التي يتيحها الذكاء الاصطناعي البصري للنقل بالسكك الحديدية، لا تزال هناك تحديات تتعلق بنشر هذه الأنظمة وصيانتها. إليك بعض السلبيات التي ينبغي أخذها في الحسبان:

• مخاوف الخصوصية: قد تثير المراقبة المستمرة في الأماكن العامة مسائل أخلاقية وتسبب انزعاجًا للركاب والعاملين.
• ارتفاع التكلفة الأولية: يتطلب إعداد نظام للذكاء الاصطناعي البصري، بما يشمل الكاميرات والخوادم وبرامج الذكاء الاصطناعي، استثمارًا أوليًا كبيرًا.
• تعقيد التكامل: قد يكون دمج أنظمة الرؤية الحاسوبية مع البنية التحتية القائمة، مثل أنظمة الإشارات أو التحكم القديمة، تحديًا تقنيًا.

أبرز النقاط#

مع توسع شبكات السكك الحديدية، يتزايد الطلب على أنظمة آنية تقدم رؤى موثوقة. وتستخدم أنظمة الرؤية الحاسوبية اكتشاف الأجسام والفحوص الهيكلية والتنبيهات الآنية لمساعدة المشغلين على الاستجابة للمشكلات بسرعة ودقة.

تحسن أدوات الذكاء الاصطناعي العمليات اليومية، كما تخفض تكاليف الصيانة الطويلة الأجل ومخاطر السلامة. ومع تطور هذه الأدوات، من المتوقع أن يؤدي الذكاء الاصطناعي دورًا مؤثرًا في جعل أنظمة السكك الحديدية أكثر كفاءة واستجابة وأمانًا.

انضم إلى مجتمعنا المتنامي! استكشف مستودع GitHub لمعرفة المزيد عن الذكاء الاصطناعي. هل أنت مستعد لبدء مشاريعك في الرؤية الحاسوبية؟ اطّلع على خيارات الترخيص. اكتشف الذكاء الاصطناعي في الزراعة والذكاء الاصطناعي البصري في الرعاية الصحية بزيارة صفحات حلولنا!