mtrail a développé TrainVision, un système hors ligne de reconnaissance d'images par IA en temps réel, propulsé par Ultralytics YOLO, qui détecte automatiquement les numéros européens de véhicule, les panneaux de danger et les signaux de freinage, réduisant le temps de collecte des données de 40 à 100 % et les erreurs d'au moins 90 %.
Depuis 15 ans, mtrail accompagne les exploitants ferroviaires et d'infrastructures grâce à une expertise approfondie du domaine et à des solutions techniques qui optimisent les processus opérationnels. Avec TrainVision, mtrail a transformé cette expertise en un système intelligent de reconnaissance d'objets, basé sur Ultralytics YOLO, qui automatise et optimise les processus manuels, permettant une détection efficace des anomalies ainsi que l'enregistrement et la validation sécurisés des informations sur les trains.
Le défi : pourquoi les données de composition sont importantes#
Des données précises sur la composition et la traction (la séquence exacte des wagons et des locomotives qui composent un train, ainsi que sa longueur, son poids et les détails de sa traction) sont essentielles pour établir des horaires fiables et fournir des informations précises aux clients. Les opérateurs ferroviaires doivent transmettre ces données aux systèmes centraux d'information sur les trains.
Pour les trains de voyageurs, les données de composition peuvent généralement être dérivées automatiquement des données de planification. Mais pour les trains de travaux et dans les gares de triage, la saisie manuelle reste souvent nécessaire. Le personnel ferroviaire doit donc enregistrer manuellement le numéro européen de véhicule (EVN) de chaque wagon et de chaque locomotive, généralement avec des gants, dans un environnement où les voies sont en service. Ce processus est lent, sujet aux erreurs et crée un véritable risque pour la sécurité : chaque seconde passée par un agent à se concentrer sur une tablette est une seconde de vigilance en moins vis-à-vis des voies environnantes.
TrainVision : reconnaissance en temps réel des données ferroviaires spécifiques#
TrainVision utilise l'apprentissage automatique et la vision par ordinateur pour automatiser cette reconnaissance de bout en bout, en prenant aujourd'hui en charge les processus manuels tout en ouvrant clairement la voie à une automatisation complète. Pour la détection d'objets, TrainVision s'appuie sur Ultralytics YOLO pour localiser précisément des éléments tels que les EVN et les panneaux de danger dans une image. Une fois ces éléments localisés, les modèles d'OCR et de reconnaissance personnalisés de mtrail, entraînés en interne, extraient les informations propres au domaine : lecture de l'EVN, identification des classifications de danger ou des signaux de freinage.
Fig. 1. Démonstration en direct de TrainVision utilisant Ultralytics YOLO, entraîné sur mesure pour les EVN et les marquages de wagons. (Image capturée à titre privé.)
Pour atteindre la précision exigée par ce cas d'utilisation, mtrail entraîne ses modèles sur des images du monde réel combinées à des millions d'images synthétiques générées en interne. Comme le processus de synthèse est entièrement défini et traçable, les images obtenues n'ont pas besoin d'être annotées manuellement, ce qui représente un gain de temps important et permet à mtrail de réentraîner rapidement ses modèles chaque fois qu'un nouveau cas limite du monde réel (usure due aux intempéries, obstruction, éclairage inhabituel) est identifié.
TrainVision n'est pas un modèle unique et universel. Pour chaque plateforme cible, mtrail crée un modèle personnalisé et spécifique à la plateforme, optimisé pour cet environnement d'exécution. TrainVision peut ainsi être intégré à divers environnements de déploiement, des appareils mobiles portatifs aux systèmes de caméras fixes installés le long des voies, 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 des appareils mobiles sur le terrain, et pas seulement dans un centre de données, ainsi qu'avec les modèles propres à chaque plateforme conçus pour chaque environnement d'exécution cible.
Ces performances ont fait d'Ultralytics YOLO le socle de la couche de détection d'objets de TrainVision. Les modèles YOLO sont entraînés sur des images du monde réel afin de localiser précisément des éléments tels que les EVN et les panneaux de danger, aussi bien dans les déploiements mobiles que dans ceux utilisant des caméras fixes. Les modèles d'OCR et de reconnaissance de mtrail prennent ensuite le relais pour le traitement propre au domaine et extraient les informations détaillées des éléments localisés par YOLO.
Avantages et résultats pour le client#
En automatisant une tâche auparavant entièrement fondée sur la saisie manuelle, TrainVision apporte des améliorations mesurables aux opérateurs ferroviaires :
- Jusqu'à 100 % de réduction du temps de collecte des données, grâce à la suppression de la saisie manuelle des EVN sur le terrain. Avec Ultralytics YOLO, mtrail a constaté une hausse de l'efficacité, qui est passée d'environ 40 % à près de 100 %.
- Au moins 90 % de réduction du taux d'erreur, par rapport à la saisie manuelle des données.
- Amélioration de la sécurité du personnel grâce à la suppression de la distraction liée à la saisie manuelle des données dans les zones où les voies sont en service.
- Potentiel d'automatisation complète pour les installations fixes, où les systèmes de caméras fixes peuvent valider un large éventail de points de mesure propres au domaine ferroviaire, notamment la composition des trains, les marchandises dangereuses, les caractéristiques de freinage, l'état des wagons et les dates de révision, sans intervention manuelle.
Quelle sera la prochaine étape pour TrainVision ?#
Les défauts aujourd'hui souvent consignés manuellement à l'aide d'autocollants physiques pourraient être détectés automatiquement et transmis directement aux plateformes européennes de données ferroviaires ou aux systèmes de maintenance via des interfaces standardisées telles que TAF-TSI. En combinant l'expertise de mtrail dans le domaine ferroviaire avec la vision par ordinateur à ce niveau, on pourrait accroître encore l'efficacité et la qualité de la détection des défauts et, en étendant l'échantillonnage aléatoire à des systèmes fixes, contribuer à mettre en place une surveillance de la sécurité plus complète et continue sur l'ensemble du réseau.
mtrail entrevoit un potentiel supplémentaire 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, notamment lors des inspections par échantillonnage aléatoire définies par la norme ISO 2859 et par le Contrat général d'utilisation des wagons de marchandises, qui constituent une prochaine application naturelle des capacités de détection de TrainVision.
Tu veux savoir comment l'IA de vision 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 commencer dès aujourd'hui.
