mtrail ha creado TrainVision, un sistema de reconocimiento de imágenes mediante IA, sin conexión y en tiempo real, basado en Ultralytics YOLO, que detecta automáticamente los números europeos de vehículo, las señales de peligro y las señales de freno, reduciendo el tiempo de recopilación de datos entre un 40 y un 100 % y los errores al menos un 90 %.
Durante 15 años, mtrail ha ayudado a operadores ferroviarios y de infraestructuras gracias a su profundo conocimiento del sector y a soluciones técnicas que optimizan los procesos operativos. Con TrainVision, mtrail ha convertido esa experiencia en un sistema inteligente de reconocimiento de objetos, desarrollado sobre Ultralytics YOLO, que automatiza y optimiza los procesos manuales, lo que permite detectar anomalías y registrar y validar la información de los trenes de forma eficiente y segura.
El reto: por qué son importantes los datos de composición#
Disponer de datos precisos sobre la composición y la tracción (la secuencia exacta de vagones y locomotoras que forman un tren, junto con su longitud, peso y detalles de tracción) es esencial para garantizar una planificación fiable y ofrecer información precisa a los clientes. Los operadores ferroviarios deben comunicar estos datos a los sistemas centrales de información ferroviaria.
En los trenes de pasajeros, los datos de composición normalmente pueden obtenerse de forma automática a partir de los datos de planificación. Sin embargo, en los trenes de obras y en las estaciones de clasificación, a menudo sigue siendo necesario introducirlos manualmente. Esto significa que el personal ferroviario tiene que registrar manualmente el número europeo de vehículo (EVN) de cada vagón y locomotora, normalmente con guantes puestos y en un entorno de vías activo. Este proceso es lento, propenso a errores y supone un riesgo real para la seguridad: cada segundo que un trabajador pasa concentrado en una tableta es un segundo en el que disminuye su atención al entorno de las vías.
TrainVision: reconocimiento en tiempo real para datos ferroviarios específicos#
TrainVision utiliza aprendizaje automático y visión por ordenador para automatizar este reconocimiento de principio a fin, dando soporte a los procesos manuales actuales y ofreciendo una vía clara hacia la automatización completa. Para la detección de objetos, TrainVision se basa en Ultralytics YOLO para localizar con precisión elementos como los EVN y las señales de peligro dentro de un fotograma. Una vez localizados, los modelos propios de OCR y reconocimiento, entrenados a medida por mtrail, extraen la información específica del sector: leen el propio EVN e identifican las clasificaciones de peligro o las señales de freno.
Fig. 1. Demostración en directo de TrainVision utilizando Ultralytics YOLO, entrenado a medida para los EVN y las identificaciones de los vagones. (Imagen capturada de forma privada).
Para alcanzar la precisión que exige este caso de uso, mtrail entrena sus modelos con imágenes del mundo real combinadas con millones de imágenes sintéticas generadas internamente. Como el proceso de síntesis está completamente definido y es trazable, no es necesario etiquetar manualmente las imágenes resultantes, lo que supone un ahorro de tiempo considerable y permite a mtrail volver a entrenar los modelos rápidamente cada vez que se identifica un nuevo caso límite del mundo real (desgaste, obstrucciones o iluminación inusual).
TrainVision no es un único modelo válido para todo. Para cada plataforma objetivo, mtrail crea un modelo personalizado y específico para esa plataforma, optimizado para su entorno de ejecución. Esto permite integrar TrainVision en diversos entornos de despliegue, desde dispositivos móviles portátiles hasta sistemas fijos de cámaras junto a las vías, y procesar cada imagen en solo 8–30 milisegundos.
¿Por qué Ultralytics YOLO?#
Para mtrail, la velocidad de detección y el despliegue en dispositivos edge eran requisitos innegociables. TrainVision tenía que funcionar de forma fiable en dispositivos móviles sobre el terreno, no solo en un centro de datos, y con los modelos específicos de plataforma desarrollados para cada entorno de ejecución objetivo.
Ese rendimiento convirtió a Ultralytics YOLO en la base de la capa de detección de objetos de TrainVision. Los modelos YOLO se entrenan con imágenes del mundo real para localizar con precisión elementos como los EVN y las señales de peligro tanto en despliegues móviles como en despliegues con cámaras fijas. A continuación, los modelos propios de OCR y reconocimiento de mtrail se encargan del trabajo específico del sector y extraen la información detallada de los elementos localizados por YOLO.
Beneficios y resultados para el cliente#
Al automatizar una tarea que antes dependía por completo de la introducción manual de datos, TrainVision ofrece mejoras cuantificables a los operadores ferroviarios:
- Hasta un 100 % de reducción del tiempo de recopilación de datos, al eliminar la introducción manual de los EVN sobre el terreno. mtrail pasó de una eficiencia de alrededor del 40 % a casi el 100 % con Ultralytics YOLO.
- Al menos un 90 % de reducción de la tasa de errores en comparación con la introducción manual de datos.
- Mayor seguridad para el personal al eliminar la distracción que supone introducir datos manualmente en zonas de vías activas.
- Potencial de automatización completa en instalaciones fijas, donde los sistemas de cámaras estacionarias pueden validar una amplia variedad de puntos de medición específicos del sector ferroviario, como la composición, las mercancías peligrosas, las características de frenado, el estado de los vagones y las fechas de revisión, sin intervención manual.
¿Qué viene después para TrainVision?#
Los defectos que hoy suelen registrarse manualmente mediante adhesivos físicos podrían detectarse automáticamente y enviarse directamente a plataformas europeas de datos ferroviarios o a sistemas de mantenimiento a través de interfaces estandarizadas como TAF-TSI. Combinar el conocimiento del sector ferroviario de mtrail con la visión por ordenador a este nivel podría aumentar aún más tanto la eficiencia como la calidad de la detección de defectos y, al ampliar el muestreo aleatorio mediante sistemas estacionarios, ayudar a establecer una supervisión de la seguridad más completa y continua en toda la red.
mtrail considera que existe un potencial adicional importante en las comprobaciones de seguridad y el mantenimiento predictivo del material rodante. Actualmente, la detección de anomalías se realiza manualmente durante las transferencias de material rodante entre propietarios y empresas ferroviarias, incluidas las inspecciones mediante muestreo aleatorio definidas en ISO 2859 y el Contrato General para el Uso de Vagones de Mercancías, que constituyen una aplicación natural para las capacidades de detección de TrainVision.
¿Te interesa saber cómo la IA de visión puede transformar las operaciones ferroviarias y de transporte? Explora las soluciones sectoriales de Ultralytics, descubre nuestras opciones de licencia o consulta el repositorio de GitHub para empezar hoy mismo.
