طوّرت mtrail نظام TrainVision، وهو نظام غير متصل بالإنترنت للتعرّف الآني على الصور باستخدام الذكاء الاصطناعي ومدعوم بـ Ultralytics YOLO، ويكتشف تلقائيًا أرقام المركبات الأوروبية، وإشارات الخطر، وإشارات المكابح، مما يقلّل وقت جمع البيانات بنسبة تتراوح بين 40% و100% ويخفض الأخطاء بنسبة لا تقل عن 90%.
على مدى 15 عامًا، دعمت mtrail مشغّلي السكك الحديدية والبنية التحتية بخبرة عميقة في المجال وحلول تقنية تحسّن العمليات التشغيلية. ومن خلال TrainVision، حوّلت mtrail تلك الخبرة إلى نظام ذكي للتعرّف على العناصر، مبني على Ultralytics YOLO، يعمل على أتمتة العمليات اليدوية وتحسينها، مما يتيح اكتشاف الحالات الشاذة بكفاءة وتسجيل معلومات القطارات والتحقق منها بأمان.
التحدي: لماذا تُعدّ بيانات تشكيل القطار مهمة؟#
تُعدّ البيانات الدقيقة لتشكيل القطار وجرّه (أي التسلسل الدقيق للعربات والقاطرات التي يتكوّن منها القطار، إلى جانب طول القطار ووزنه وتفاصيل الجر) ضرورية لضمان جدولة موثوقة وإرشاد العملاء. ويُطلب من مشغّلي السكك الحديدية الإبلاغ عن هذه البيانات إلى أنظمة معلومات القطارات المركزية.
بالنسبة إلى قطارات الركاب، يمكن عادةً اشتقاق بيانات التشكيل تلقائيًا من بيانات التخطيط. أما في قطارات الإنشاءات وساحات التجميع، فلا يزال الإدخال اليدوي ضروريًا في كثير من الأحيان. وهذا يعني أن على موظفي السكك الحديدية تسجيل رقم المركبة الأوروبية (EVN) لكل عربة وقاطرة يدويًا، وهم يرتدون القفازات عادةً، في بيئة مسار نشطة. وتُعدّ هذه العملية بطيئة ومعرّضة للأخطاء، كما تشكّل خطرًا حقيقيًا على السلامة: فكل ثانية يقضيها العامل منشغلًا بجهاز لوحي هي ثانية تقلّ فيها درجة وعيه بالمسار المحيط.
TrainVision: التعرّف الآني على البيانات الخاصة بالسكك الحديدية#
يستخدم TrainVision تعلّم الآلة والرؤية الحاسوبية لأتمتة عملية التعرّف هذه بالكامل، مع دعم العمليات اليدوية حاليًا وتوفير مسار واضح نحو الأتمتة الكاملة. ولاكتشاف العناصر، يعتمد TrainVision على Ultralytics YOLO لتحديد مواقع عناصر مثل أرقام المركبات الأوروبية وإشارات الخطر بدقة داخل الإطار. وبعد تحديد المواقع، تستخرج نماذج OCR والتعرّف المخصّصة التي درّبتها mtrail المعلومات الخاصة بالمجال، فتقرأ رقم المركبة الأوروبية نفسه، أو تحدد تصنيفات الخطر، أو تتعرّف على إشارات المكابح.
الشكل 1. عرض تجريبي مباشر لـ TrainVision يستفيد من Ultralytics YOLO، وقد دُرّب خصيصًا على أرقام المركبات الأوروبية وعلامات العربات. (صورة ملتقطة بشكل خاص).
لتحقيق الدقة التي تتطلبها حالة الاستخدام هذه، تدرّب mtrail نماذجها على صور من العالم الحقيقي مدمجة مع ملايين الصور الاصطناعية المُولّدة داخليًا. وبما أن عملية التوليد الاصطناعي محددة وقابلة للتتبع بالكامل، فلا تحتاج الصور الناتجة إلى وسم يدوي، مما يوفر قدرًا كبيرًا من الوقت ويتيح لـ mtrail إعادة تدريب النماذج بسرعة كلما جرى تحديد حالة طرفية جديدة من العالم الحقيقي (التجوية أو الحجب أو الإضاءة غير المعتادة).
لا يُعدّ TrainVision نموذجًا واحدًا يناسب جميع الحالات. فلكل منصة مستهدفة، تبني mtrail نموذجًا مخصصًا خاصًا بالمنصة ومحسّنًا لبيئة التشغيل المعنية. ويتيح ذلك دمج TrainVision في مجموعة متنوعة من بيئات النشر، بدءًا من الأجهزة المحمولة اليدوية ووصولًا إلى أنظمة الكاميرات الثابتة بجانب المسارات، مع الاستمرار في معالجة كل صورة خلال 8–30 مللي ثانية فقط.
لماذا Ultralytics YOLO؟#
بالنسبة إلى mtrail، كانت سرعة الاكتشاف والنشر على الحافة متطلبين لا يمكن التنازل عنهما. كان يجب أن يعمل TrainVision بشكل موثوق على الأجهزة المحمولة في الميدان، وليس في مركز بيانات فحسب، وكذلك عبر النماذج الخاصة بالمنصة والمبنية لكل بيئة تشغيل مستهدفة.
جعل هذا الأداء من Ultralytics YOLO الأساس لطبقة اكتشاف العناصر في TrainVision. وتُدرّب نماذج YOLO على صور من العالم الحقيقي لتحديد مواقع عناصر مثل أرقام المركبات الأوروبية وإشارات الخطر بدقة في عمليات النشر عبر الأجهزة المحمولة والكاميرات الثابتة على حد سواء. ثم تتولى نماذج OCR والتعرّف الخاصة بـ mtrail العمل المتخصص بالمجال، فتستخرج المعلومات التفصيلية من العناصر التي حدّد YOLO مواقعها.
مزايا العملاء والنتائج#
من خلال أتمتة مهمة كانت تعتمد سابقًا بالكامل على الإدخال اليدوي، يحقق TrainVision تحسينات قابلة للقياس لمشغّلي السكك الحديدية:
- خفض وقت جمع البيانات بنسبة تصل إلى 100%، من خلال إلغاء إدخال أرقام المركبات الأوروبية يدويًا في الميدان. وشهدت mtrail ارتفاعًا في الكفاءة من نحو 40% إلى ما يقارب 100% باستخدام Ultralytics YOLO.
- خفض معدل الأخطاء بنسبة لا تقل عن 90% مقارنةً بإدخال البيانات يدويًا.
- تحسين سلامة الموظفين من خلال إزالة تشتيت الإدخال اليدوي للبيانات في مناطق المسارات النشطة.
- إمكانات الأتمتة الكاملة للمنشآت الثابتة، حيث تستطيع أنظمة الكاميرات الثابتة التحقق من مجموعة واسعة من نقاط القياس الخاصة بالسكك الحديدية، بما في ذلك التشكيلات، والمواد الخطرة، وخصائص الكبح، وحالة العربات، وتواريخ المراجعة، دون تدخل يدوي.
ما التالي بالنسبة إلى TrainVision#
يمكن بدلًا من ذلك اكتشاف العيوب التي تُسجّل غالبًا اليوم يدويًا باستخدام ملصقات مادية تلقائيًا، وإدخالها مباشرةً في منصات بيانات السكك الحديدية الأوروبية أو أنظمة الصيانة عبر واجهات موحّدة مثل TAF-TSI. ومن شأن الجمع بين خبرة mtrail في مجال السكك الحديدية والرؤية الحاسوبية بهذا المستوى أن يزيد من كفاءة اكتشاف العيوب وجودته، وأن يساعد، من خلال توسيع نطاق أخذ العينات العشوائية باستخدام الأنظمة الثابتة، على إنشاء مراقبة أكثر شمولًا واستمرارية للسلامة عبر الشبكة.
ترى mtrail إمكانات إضافية كبيرة في فحوصات السلامة والصيانة التنبؤية لمركبات السكك الحديدية. ويُجرى اكتشاف الحالات الشاذة حاليًا يدويًا أثناء عمليات نقل مركبات السكك الحديدية بين المالكين ومؤسسات السكك الحديدية، بما في ذلك عمليات التفتيش بأخذ العينات العشوائية المحددة بموجب ISO 2859 والعقد العام لاستخدام عربات الشحن، وهي تمثل التطبيق التالي الطبيعي لقدرات TrainVision في الاكتشاف.
هل أنت مهتم بكيفية إحداث الذكاء الاصطناعي للرؤية تحولًا في عمليات السكك الحديدية والنقل؟ استكشف حلول Ultralytics للقطاع، وتعرّف على خيارات الترخيص لدينا، أو اطّلع على مستودع GitHub للبدء اليوم.
