Applications de la vision par ordinateur dans les opérations ferroviaires

Pour une présentation visuelle des concepts abordés dans cet article, regarde la vidéo ci-dessous.

Les chemins de fer sont un élément fondamental des systèmes de transport terrestres. S'étendant sur plus d'un million de kilomètres de voies dans le monde, les railway networks relient les villes, les industries et les communautés sur de vastes distances. À mesure que ces systèmes se développent et que la demande augmente, garantir la sécurité et l'efficacité exige bien plus que de simples contrôles et surveillances manuels.

Des solutions de pointe deviennent de plus en plus essentielles. Par exemple, la computer vision, une branche de l'intelligence artificielle (AI) qui traite du traitement des données visuelles, est utilisée pour rationaliser diverses opérations ferroviaires.

Les systèmes dotés de vision utilisent des caméras et des modèles de vision par ordinateur tels que Ultralytics YOLO11 pour offrir aux opérateurs ferroviaires une connaissance des opérations en temps réel. Grâce à des tâches telles que la détection d'objets et la segmentation d'instances, des modèles comme YOLO11 peuvent intervenir pour analyser les voies, les quais, les tunnels et l'intérieur des trains afin de détecter des objets, des personnes ou des dangers.

Imagine une situation où quelqu'un se tient trop près du bord du quai ou où des débris apparaissent sur la voie. La Vision AI peut les détecter en temps réel et envoyer une alerte, permettant aux équipes en gare de réagir rapidement et d'éviter que des risques potentiels ne se transforment en retards ou en accidents. Elle assiste également le personnel en surveillant des zones difficiles à garder à l'œil en permanence.

Fig. 1 : Exemple d'utilisation d'Ultralytics YOLO11 pour détecter des personnes debout sur un quai de gare.

À mesure que l'adoption de l'IA et de la vision par ordinateur augmente, de plus en plus de villes commencent à utiliser la Vision AI pour rendre les opérations ferroviaires plus sûres et plus efficaces. Dans cet article, nous explorerons comment la Vision AI est appliquée dans les flux de travail du transport ferroviaire à travers le monde. Commençons !

Le rôle de la Vision AI dans les opérations de transport ferroviaire#

Les réseaux ferroviaires comportent de nombreux éléments mobiles qui doivent être surveillés en temps réel. Ce qui était traditionnellement fait par le personnel des gares peut désormais être automatisé grâce à l'IA. Les computer vision models comme YOLO11 peuvent aider les opérateurs de gare à surveiller de plus près les fonctions ferroviaires et à réagir rapidement lorsque des problèmes surviennent.

En particulier, les computer vision tasks font référence aux fonctions spécifiques que ces modèles peuvent être entraînés à exécuter en utilisant des entrées visuelles provenant de caméras. Voici quelques tâches clés qui peuvent être utilisées pour surveiller les opérations ferroviaires :

• Détection d'objets : Cette tâche consiste à identifier et localiser des objets spécifiques dans une image ou une trame vidéo. Dans les applications ferroviaires, des modèles comme Ultralytics YOLO11 peuvent détecter des éléments tels que des débris, des outils, des bagages ou des personnes sur ou à proximité des voies.

• Suivi d'objets : Cela fait référence à la surveillance du mouvement des objets détectés à travers plusieurs trames vidéo. Dans les gares ou à bord des trains, le suivi aide à observer le flux des passagers et à surveiller les mouvements des trains.

• Estimation de pose : Cela implique de détecter et d'analyser les positions des articulations corporelles clés pour comprendre la posture humaine. Dans les contextes ferroviaires, cela peut aider à identifier les situations d'urgence, comme une personne qui s'effondre sur un quai, déclenchant des alertes pour intervention.

• Segmentation d'instances : Elle se concentre sur la classification de chaque pixel d'une image dans des catégories prédéfinies. Dans la surveillance des infrastructures ferroviaires, elle peut être utilisée pour évaluer l'état des voies, des quais et d'autres surfaces en identifiant des caractéristiques comme les fissures, la corrosion ou l'usure.

Fig. 2 : Ultralytics YOLO11 peut être utilisé pour détecter et suivre des personnes et des trains à des fins de sécurité.

Utiliser la Vision AI pour la surveillance ferroviaire#

Bien que la surveillance par vision soit généralement associée à la sécurité et à la sûreté, les systèmes ferroviaires utilisent la Vision AI pour bien plus que de simples tâches de sécurité de base. Elle joue également un rôle dans l'amélioration des opérations, le renforcement de la sécurité et le soutien à la gestion globale du système à travers le réseau.

Un avantage clé de l'utilisation de la Vision AI in public transportation est sa capacité à fonctionner en temps réel, fournissant au personnel de gare des informations opportunes et utiles pour devancer les problèmes potentiels.

Regardons quelques exemples concrets de la façon dont la vision par ordinateur aide les chemins de fer à fonctionner avec une plus grande précision et un meilleur contrôle.

Détection d'objets dans les systèmes ferroviaires pour les tâches de maintenance#

Alors que le trafic ferroviaire continue de croître en Europe, le besoin d'une surveillance fiable des infrastructures est devenu crucial. Les voies doivent être régulièrement inspectées pour détecter l'usure, les dommages et les désalignements afin de faciliter des opérations sûres et fluides. Cela implique de vérifier des milliers de kilomètres de rail pour détecter les signes précoces de défauts avant qu'ils ne conduisent à des perturbations coûteuses ou à des accidents. La Vision AI offre un moyen efficace d'automatiser et d'améliorer ce processus d'inspection.

Fig 3. Les systèmes de vision par ordinateur peuvent détecter les parties défectueuses des voies ferrées.

Par exemple, aux Pays-Bas, où le réseau ferroviaire s'étend sur des milliers de kilomètres, surveiller et entretenir constamment les voies est une tâche immense. Bien que les inspections manuelles restent importantes, elles peuvent être lentes, intensives en main-d'œuvre et perturber souvent le service. Pour résoudre ce problème, un système de vision par ordinateur a été introduit pour inspect rail-track conditions en temps réel.

Les Cameras montées sur les trains en mouvement capturent un flux continu d'images haute résolution. Ces visuels sont ensuite analysés par des modèles de vision par IA formés pour détecter les désalignements de voies, les composants usés ou endommagés et les pièces manquantes.

Avec une surveillance continue et automatisée en place, les inspections sont non seulement plus rapides, mais aussi plus précises. Les équipes de maintenance peuvent hiérarchiser les zones qui ont le plus besoin d'attention, réduisant ainsi les vérifications inutiles. En conséquence, les opérateurs ont pu réduire les risques opérationnels, diminuer les retards et améliorer la sécurité globale, sans interrompre le service quotidien.

Renforcer la sécurité des opérations avec l'IA dans l'infrastructure ferroviaire#

Dans les projets ferroviaires à grande échelle, maintenir la sécurité sur site est l'un des défis les plus persistants. Cela était particulièrement vrai pendant la construction du réseau ferroviaire urbain de Wuhan en Chine, où les chantiers actifs et les conditions changeantes nécessitaient une surveillance constante.

Traditionnellement, les contrôles de sécurité reposaient sur l'observation manuelle, ce qui signifiait souvent que les risques n'étaient identifiés qu'après qu'un incident s'était produit. Pour améliorer les temps de réponse et réduire les risques, les chercheurs ont introduit un safety monitoring system en temps réel alimenté par la vision par ordinateur.

Plus de 240 caméras haute définition ont été installées sur les construction sites pour enregistrer l'activité en continu. Les images vidéo ont été traitées sur place à l'aide de modèles d'IA capables de détecter non seulement quand des individus pénétraient dans des zones dangereuses, mais aussi si l'équipement à proximité était stationnaire ou en mouvement - un facteur important dans l'évaluation du risque en temps réel. Lorsque des comportements dangereux étaient détectés, le système pouvait envoyer des alertes immédiates aux superviseurs du site.

Fig 4. Détection des dangers à l'aide de la vision par ordinateur.

Un regard sur la surveillance ferroviaire utilisant la Vision AI#

En plus d'améliorer la maintenance et les inspections de sécurité, la vision par ordinateur est également utilisée pour surveiller les voies ferrées en temps réel contre les intrusions. Il s'agit d'une préoccupation sérieuse, avec 995 décès liés au chemin de fer signalés aux États-Unis en 2023 seulement. Beaucoup de ces incidents impliquaient un accès non autorisé aux voies, un domaine où les méthodes de surveillance traditionnelles sont souvent limitées.

Pour remédier à cela, les chemins de fer aux États-Unis commencent à adopter des computer vision solutions. Ces systèmes utilisent des flux vidéo en direct, analysés par des modèles d'IA, pour détecter des événements tels que les intrusions, les obstructions de voies et les violations de signal potentielles. En identifiant ces problèmes dès qu'ils se produisent, le système aide les équipes à réagir rapidement, avant que le service ne soit perturbé ou que la sécurité ne soit mise en danger.

Contrairement aux inspections manuelles qui se produisent à des intervalles fixes, les systèmes de vision par ordinateur offrent une surveillance continue en temps réel sur tout le réseau. Lorsqu'une menace est détectée, des alertes sont envoyées immédiatement aux opérateurs, permettant des réponses rapides et ciblées. Cela conduit à une meilleure connaissance de la situation, des interventions plus rapides et moins de retards causés par des incidents évitables.

Surveillance de la sécurité alimentaire avec la Vision AI#

Chaque jour, des millions de repas sont préparés et servis dans les trains et les gares, où l'hygiène est une priorité absolue. En Inde, l'Indian Railway Catering and Tourism Corporation (IRCTC) gère l'un des plus grands réseaux de restauration ferroviaire au monde.

Jusqu'à récemment, les contrôles d'hygiène étaient effectués manuellement, ce qui rendait difficile la surveillance constante de chaque cuisine. Pour rendre les choses plus efficaces et fiables, l'IRCTC a introduit un système de vision par IA qui surveille les food safety practices en temps réel.

Le système se connecte aux caméras CCTV existantes dans les cuisines et les zones de préparation des aliments. Il utilise des modèles d'IA entraînés à repérer les problèmes d'hygiène courants comme le personnel ne se lavant pas les mains, l'absence de gants ou de charlottes, ou des postes de travail malpropres.

Depuis son déploiement, le système a contribué à améliorer les normes d'hygiène et a permis au personnel de rester plus facilement au fait de la food safety, tout en passant plus de temps à se concentrer sur la préparation des repas plutôt que de simplement vérifier les procédures.

Avantages et inconvénients de la vision par ordinateur dans les opérations ferroviaires#

La vision par ordinateur offre une gamme d'avantages lorsqu'il s'agit d'améliorer la sécurité, la maintenance et les opérations quotidiennes dans les systèmes ferroviaires. Voici quelques-uns des avantages clés :

• Maintenance prédictive : En détectant les signes précoces d'usure ou de dommages sur les voies et l'infrastructure, la Vision AI peut aider à prévenir les défaillances avant qu'elles ne surviennent.
• Surveillance 24h/24 et 7j/7 : Contrairement aux inspecteurs humains, les systèmes de vision par ordinateur peuvent fonctionner en continu sans fatigue ni roulement.
• Scalability : Une fois mis en œuvre, le même système peut être étendu pour couvrir davantage de gares, de trains ou de zones opérationnelles avec un effort supplémentaire minimal.

Malgré les nombreux aspects positifs que la Vision AI apporte au transport ferroviaire, il reste des défis dans le déploiement et la maintenance de ces systèmes. Voici quelques inconvénients à considérer :

• Problèmes de confidentialité : La surveillance continue dans les zones publiques peut soulever des questions éthiques et un sentiment d'inconfort chez les passagers et le personnel.
• Coût initial élevé : La mise en place d'un système de Vision AI, incluant les caméras, les serveurs et le logiciel d'IA, nécessite un investissement initial important.
• Intégration complexe : L'intégration des systèmes de vision par ordinateur avec l'infrastructure existante, comme les systèmes de signalisation ou de contrôle hérités, peut être techniquement difficile.

Points clés#

À mesure que les réseaux ferroviaires se développent, la demande pour des systèmes en temps réel fournissant des informations fiables augmente. Les systèmes de vision par ordinateur utilisent la détection d'objets, les vérifications structurelles et les alertes en temps réel pour aider les opérateurs à réagir rapidement et précisément aux problèmes.

Les outils d'IA améliorent les opérations quotidiennes et réduisent également les coûts de maintenance à long terme et les risques de sécurité. À mesure que ces outils s'améliorent, l'IA est prête à jouer un rôle marquant dans l'efficacité, la réactivité et la sécurité des systèmes ferroviaires.

Rejoins notre community en plein essor ! Explore notre GitHub repository pour en savoir plus sur l'IA. Prêt à lancer tes projets de vision par ordinateur ? Consulte nos licensing options. Découvre l'AI in agriculture et la Vision AI in healthcare en visitant nos pages de solutions !