mtrail a créé TrainVision, un système hors ligne de reconnaissance d’images par IA en temps réel, alimenté par Ultralytics YOLO, qui détecte automatiquement les numéros européens de véhicule, les panneaux de danger et les panneaux de freinage. Le système réduit de 40 à 100 % le temps de collecte des données et d’au moins 90 % le taux d’erreur.
Depuis 15 ans, mtrail accompagne les exploitants ferroviaires et d’infrastructures en leur apportant une expertise approfondie du domaine et des solutions techniques qui optimisent les processus opérationnels. Avec TrainVision, mtrail a transformé cette expertise en un système intelligent de reconnaissance d’objets, fondé sur Ultralytics YOLO, qui automatise et optimise les processus manuels, permettant de détecter efficacement les anomalies et d’enregistrer et valider les informations sur les trains en toute sécurité.
Le défi : pourquoi les données de composition sont importantes#
Des données exactes sur la composition et la traction (la séquence exacte des wagons et des locomotives qui constituent un train, ainsi que sa longueur, son poids et les détails relatifs à sa traction) sont indispensables à une planification fiable et à une information précise des clients. Les exploitants ferroviaires sont tenus de transmettre ces données aux systèmes centraux d’information sur les trains.
Pour les trains de voyageurs, les données de composition peuvent généralement être déduites automatiquement des données de planification. En revanche, pour les trains de travaux et dans les gares de triage, la saisie manuelle reste souvent nécessaire. Le personnel ferroviaire doit donc relever manuellement le numéro européen de véhicule (EVN) de chaque wagon et locomotive, généralement en portant des gants et sur des voies en exploitation. Ce processus est lent, sujet aux erreurs et comporte un véritable risque pour la sécurité : chaque seconde passée par un agent à regarder une tablette réduit d’autant son attention à l’environnement ferroviaire.
TrainVision : la reconnaissance en temps réel des données ferroviaires spécifiques#
TrainVision utilise l’apprentissage automatique et la vision par ordinateur pour automatiser l’ensemble de ce processus de reconnaissance. La solution prend aujourd’hui en charge les processus manuels, avec une voie clairement définie vers une automatisation complète. Pour la détection d’objets, TrainVision s’appuie sur Ultralytics YOLO afin de localiser avec précision des éléments tels que les EVN et les panneaux de danger dans une image. Une fois ces éléments localisés, les modèles de reconnaissance et de ROC personnalisés et entraînés par mtrail extraient les informations propres au domaine : ils lisent l’EVN, identifient les classifications de danger ou repèrent les panneaux de freinage.
Fig. 1. Démo en direct de TrainVision, qui exploite Ultralytics YOLO entraîné spécifiquement pour reconnaître les EVN et les marquages des wagons. (Image capturée en privé).
Pour atteindre la précision exigée par ce cas d’usage, mtrail entraîne ses modèles sur des images du monde réel complétées par des millions d’images synthétiques générées en interne. Comme le processus de synthèse est entièrement défini et traçable, il n’est pas nécessaire d’annoter manuellement les images obtenues. Ce gain de temps important permet à mtrail de réentraîner rapidement les modèles dès qu’un nouveau cas limite du monde réel est identifié (intempéries, obstruction, éclairage inhabituel).
TrainVision n’est pas un modèle unique conçu pour tout faire. Pour chaque plateforme cible, mtrail crée un modèle adapté à cette plateforme et optimisé pour son environnement d’exécution. TrainVision peut ainsi être intégré à divers environnements de déploiement, des appareils mobiles portatifs aux systèmes de caméras fixes en bord de voie, tout en traitant chaque image en seulement 8 à 30 millisecondes.
Pourquoi Ultralytics YOLO ?#
Pour mtrail, la vitesse de détection et le déploiement en périphérie étaient des exigences incontournables. TrainVision devait fonctionner de manière fiable sur les appareils mobiles utilisés sur le terrain, et pas seulement dans un centre de données, ainsi qu’avec les modèles propres à chaque plateforme, conçus pour leur environnement d’exécution cible.
Ces performances ont fait d’Ultralytics YOLO la base de la couche de détection d’objets de TrainVision. Les modèles YOLO sont entraînés sur des images du monde réel pour localiser avec précision des éléments tels que les EVN et les panneaux de danger, aussi bien sur les appareils mobiles que sur les installations de caméras fixes. Les modèles de reconnaissance et de ROC de mtrail prennent ensuite le relais pour les tâches propres au domaine et extraient les informations détaillées des éléments localisés par YOLO.
Avantages pour les clients et résultats#
En automatisant une tâche auparavant entièrement réalisée par saisie manuelle, TrainVision apporte des améliorations mesurables aux exploitants ferroviaires :
- Jusqu’à 100 % de réduction du temps de collecte des données, grâce à l’élimination de la saisie manuelle des EVN sur le terrain. Avec Ultralytics YOLO, mtrail a observé une hausse de l’efficacité, qui est passée d’environ 40 % à près de 100 %.
- Réduction d’au moins 90 % du taux d’erreur, par rapport à la saisie manuelle des données.
- Amélioration de la sécurité du personnel, grâce à la suppression des distractions liées à la saisie manuelle des données dans les zones de voies en exploitation.
- Possibilité d’automatiser entièrement les installations fixes, où des systèmes de caméras fixes peuvent vérifier un large éventail de points de mesure propres au ferroviaire, notamment les compositions, les marchandises dangereuses, les caractéristiques de freinage, l’état des wagons et les dates de révision, sans intervention manuelle.
La suite pour TrainVision#
Les défauts aujourd’hui souvent consignés manuellement au moyen d’autocollants physiques pourraient plutôt être détectés automatiquement et transmis directement aux plateformes européennes de données ferroviaires ou aux systèmes de maintenance par des interfaces normalisées comme TAF-TSI. En associant l’expertise ferroviaire de mtrail à la vision par ordinateur à ce niveau, il serait possible d’améliorer encore l’efficacité et la qualité de la détection des défauts. En complétant les contrôles par échantillonnage aléatoire avec des systèmes fixes, cette approche pourrait également contribuer à instaurer une surveillance de sécurité continue et plus complète sur l’ensemble du réseau.
mtrail voit un potentiel important dans les contrôles de sécurité et la maintenance prédictive du matériel roulant. La détection des anomalies est actuellement effectuée manuellement lors des transferts de matériel roulant entre propriétaires et entreprises ferroviaires. Cela comprend les inspections par échantillonnage aléatoire définies par ISO 2859 et le Contrat général d’utilisation des wagons, qui constituent des cas d’usage naturels pour les capacités de détection de TrainVision.
Tu souhaites savoir comment la vision par IA peut transformer les opérations ferroviaires et de transport ? Découvre les solutions sectorielles d’Ultralytics, consulte nos options de licence ou explore le dépôt GitHub pour te lancer dès aujourd’hui.
