mtrail creó TrainVision, un sistema de reconocimiento de imágenes con IA sin conexión y en tiempo real, basado en Ultralytics YOLO, que detecta automáticamente números europeos de vehículo, señales de peligro y señales de freno. Así, reduce 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 con sus profundos conocimientos del sector y soluciones técnicas que optimizan los procesos operativos. Con TrainVision, mtrail ha convertido esa experiencia en un sistema inteligente de reconocimiento de objetos, basado en Ultralytics YOLO, que automatiza y optimiza los procesos manuales, y permite detectar anomalías de forma eficaz, así como registrar y validar de manera segura la información de los trenes.
El reto: por qué son importantes los datos de composición#
Los datos precisos sobre la composición y la tracción —la secuencia exacta de vagones y locomotoras que forman un tren, así como su longitud, peso y detalles de tracción— son esenciales para una planificación fiable y para orientar a los clientes. Los operadores ferroviarios deben comunicar estos datos a los sistemas centrales de información de trenes.
En los trenes de pasajeros, los datos de composición suelen poder obtenerse automáticamente 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 obliga al personal ferroviario a anotar a mano el Número Europeo de Vehículo (EVN) de cada vagón y locomotora, normalmente con guantes y en una zona de vías activa. El proceso es lento, propenso a errores y entraña un riesgo real para la seguridad: cada segundo que un trabajador pasa concentrado en una tableta reduce su atención a las vías que lo rodean.
TrainVision: reconocimiento en tiempo real de datos ferroviarios específicos#
TrainVision utiliza aprendizaje automático y visión artificial para automatizar todo el proceso de reconocimiento, apoyar los procesos manuales actuales y ofrecer una vía clara hacia la automatización completa. Para la detección de objetos, TrainVision recurre a 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 de mtrail, entrenados a medida, 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 con Ultralytics YOLO, entrenado a medida para los EVN y las marcas 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 hace falta etiquetar manualmente las imágenes resultantes; esto ahorra mucho tiempo y permite a mtrail volver a entrenar los modelos rápidamente cada vez que se identifica un nuevo caso límite del mundo real (desgaste, obstrucción o iluminación inusual).
TrainVision no es un único modelo válido para todo. Para cada plataforma de destino, mtrail crea un modelo a medida y específico para esa plataforma, optimizado para el entorno de ejecución correspondiente. Así, TrainVision se puede integrar en distintos entornos de implementación, desde dispositivos móviles de mano hasta sistemas de cámaras fijas junto a las vías, y procesar cada imagen en solo 8–30 milisegundos.
¿Por qué Ultralytics YOLO?#
Para mtrail, la velocidad de detección y la implementación en el borde eran requisitos innegociables. TrainVision debía funcionar de forma fiable en dispositivos móviles sobre el terreno, no solo en un centro de datos, y en los modelos específicos de cada plataforma creados para cada entorno de ejecución de destino.
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 dispositivos móviles como en implementaciones con cámaras fijas. A continuación, los modelos propios de OCR y reconocimiento de mtrail se encargan de las tareas específicas del sector y extraen la información detallada de los elementos localizados por YOLO.
Ventajas y resultados para los clientes#
Al automatizar una tarea que antes dependía por completo de la introducción manual de datos, TrainVision ofrece mejoras cuantificables a los operadores ferroviarios:
- Reducción de hasta el 100 % del tiempo de recopilación de datos al eliminar la introducción manual de EVN sobre el terreno. Con Ultralytics YOLO, mtrail pasó de una eficiencia de alrededor del 40 % a casi el 100 %.
- Reducción de al menos el 90 % 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 total en instalaciones fijas, donde los sistemas de cámaras estacionarias pueden validar una amplia variedad de puntos de medición específicos del ferrocarril, como las composiciones, las mercancías peligrosas, las características de frenado, el estado de los vagones y las fechas de revisión, sin intervención manual.
Qué le espera a TrainVision#
Los defectos que hoy suelen registrarse manualmente con etiquetas físicas podrían detectarse automáticamente e incorporarse directamente a plataformas europeas de datos ferroviarios o sistemas de mantenimiento mediante interfaces estandarizadas como TAF-TSI. Combinar los conocimientos de mtrail sobre el sector ferroviario con la visión artificial a este nivel podría mejorar aún más tanto la eficiencia como la calidad de la detección de defectos. Además, ampliar los muestreos aleatorios con sistemas estacionarios ayudaría a establecer una supervisión de seguridad más exhaustiva y continua en toda la red.
mtrail ve un gran potencial adicional en las comprobaciones de seguridad y el mantenimiento predictivo del material rodante. Actualmente, la detección de anomalías se realiza manualmente durante los traslados de material rodante entre propietarios y empresas ferroviarias, incluidas las inspecciones por muestreo definidas en ISO 2859 y en el Contrato General para la Utilización de Vagones de Mercancías. Estas son una aplicación futura natural de las capacidades de detección de TrainVision.
¿Te interesa saber cómo puede transformar la IA visual las operaciones ferroviarias y de transporte? Explora las soluciones sectoriales de Ultralytics, descubre nuestras opciones de licencia o visita el repositorio de GitHub para empezar hoy mismo.
Escrito por
Responsable de contenidos digitales · Ultralytics
