mtrail의 TrainVision, 철도 데이터 수집 시간을 거의 100% 단축

15년 동안 mtrail은 운영 프로세스를 최적화하는 깊은 도메인 전문성과 기술 솔루션을 통해 철도 및 인프라 운영사를 지원해 왔습니다. mtrail은 Ultralytics YOLO를 기반으로 구축된 지능형 객체 인식 시스템인 TrainVision을 통해 이러한 전문성을 수동 프로세스를 자동화하고 최적화하는 시스템으로 발전시켰으며, 이를 통해 효율적인 이상 탐지와 안전한 철도 정보 기록 및 검증이 가능해졌습니다.

과제: 편성 데이터가 중요한 이유#

정확한 편성 및 견인력 데이터(열차를 구성하는 화물차와 기관차의 정확한 순서, 열차 길이, 중량, 견인력 상세 정보)는 신뢰할 수 있는 운행 스케줄과 고객 안내를 위해 필수적입니다. 철도 운영사는 이 데이터를 중앙 열차 정보 시스템에 보고해야 합니다.

여객 열차의 경우, 편성 데이터는 대개 계획 데이터로부터 자동으로 도출될 수 있습니다. 그러나 공사 열차와 조차장에서는 여전히 수동 입력이 필요한 경우가 많습니다. 즉, 철도 직원이 활성화된 선로 환경에서 장갑을 낀 채 모든 화물차와 기관차의 유럽 차량 번호(EVN)를 수동으로 기록해야 합니다. 이 과정은 느리고 오류가 발생하기 쉬우며 심각한 안전 위험을 초래합니다. 작업자가 태블릿 화면에 집중하는 매 순간이 주변 선로에 대한 인지 능력을 저하시키는 시간이기 때문입니다.

TrainVision: 철도 특화 데이터를 위한 실시간 인식#

TrainVision은 머신러닝과 컴퓨터 비전을 사용하여 이 인식 과정을 엔드투엔드로 자동화하며, 현재는 수동 프로세스를 지원하는 동시에 완전한 자동화를 향한 명확한 경로를 제공합니다. 객체 탐지를 위해 TrainVision은 Ultralytics YOLO를 활용하여 프레임 내에서 EVN 및 위험 표지판과 같은 요소를 정확하게 찾습니다. 위치가 파악되면 mtrail이 자체 맞춤형으로 학습시킨 OCR 및 인식 모델이 도메인 특화 정보를 추출하여 EVN을 직접 읽어내거나 위험 분류, 브레이크 표지판 등을 식별합니다.

그림 1. EVN 및 화물차 표식을 위해 맞춤 학습된 Ultralytics YOLO를 활용하는 TrainVision의 라이브 데모 (비공개 캡처 이미지).

이 사용 사례에서 요구하는 정확도에 도달하기 위해 mtrail은 실제 이미지와 자체 제작한 수백만 장의 합성 데이터를 결합하여 모델을 학습시킵니다. 합성 프로세스가 완전히 정의되어 있고 추적 가능하기 때문에 생성된 이미지를 수동으로 라벨링할 필요가 없습니다. 이는 mtrail이 날씨 변화, 장애물, 특이한 조명 등 새로운 실제 엣지 케이스가 식별될 때마다 모델을 빠르게 재학습할 수 있게 해주는 상당한 시간 절감 효과를 제공합니다.

TrainVision은 일률적인 단일 모델이 아닙니다. mtrail은 각 타겟 플랫폼에 맞춰 해당 런타임에 최적화된 맞춤형 플랫폼 전용 모델을 구축합니다. 이를 통해 TrainVision은 핸드헬드 모바일 기기부터 고정형 선로변 카메라 시스템에 이르기까지 다양한 배포 환경에 통합될 수 있으며, 각 이미지를 단 8~30밀리초 만에 처리할 수 있습니다.

왜 Ultralytics YOLO인가?#

mtrail에게 탐지 속도와 엣지 배포는 타협할 수 없는 요구사항이었습니다. TrainVision은 데이터 센터뿐만 아니라 현장의 모바일 기기에서도, 그리고 각 타겟 런타임에 맞춰 구축된 플랫폼 전용 모델 전반에서 안정적으로 실행되어야 했습니다.

이러한 성능 덕분에 Ultralytics YOLO는 TrainVision의 객체 탐지 레이어의 기반이 될 수 있었습니다. YOLO 모델은 실제 이미지를 바탕으로 학습되어 모바일 및 고정 카메라 배포 환경 모두에서 EVN 및 위험 표지판과 같은 요소를 정확하게 찾아냅니다. 그 후 mtrail의 자체 OCR 및 인식 모델이 도메인 특화 작업을 이어받아 YOLO가 찾아낸 위치에서 상세 정보를 추출합니다.

고객 이점 및 결과#

이전에는 전적으로 수동 입력에 의존하던 작업을 자동화함으로써 TrainVision은 철도 운영사에 측정 가능한 개선 효과를 제공합니다.

• 데이터 수집 시간 최대 100% 단축: 현장에서의 수동 EVN 입력을 없앰으로써 가능해졌습니다. mtrail은 Ultralytics YOLO를 도입하여 효율성이 약 40%에서 거의 100%로 도약하는 것을 확인했습니다.
• 오류율 최소 90% 감소: 수동 데이터 입력과 비교했을 때의 수치입니다.
• 인력 안전성 향상: 활성화된 선로 구역에서 수동 데이터 입력으로 인한 산만함을 제거했습니다.
• 고정 설치형 장비의 완전 자동화 잠재력: 고정형 카메라 시스템을 통해 수동 개입 없이 편성, 위험물, 제동 특성, 화물차 상태, 개정일을 비롯한 광범위한 철도 특화 측정 지점을 검증할 수 있습니다.

TrainVision의 향후 계획#

현재 물리적 스티커를 통해 수동으로 기록되는 결함들은 앞으로 자동으로 탐지되어 TAF-TSI와 같은 표준화된 인터페이스를 통해 유럽 철도 데이터 플랫폼이나 유지보수 시스템으로 직접 전달될 수 있습니다. 이 수준에서 mtrail의 철도 도메인 전문성과 컴퓨터 비전을 결합하면 결함 탐지의 효율성과 품질을 더욱 높일 수 있으며, 고정형 시스템을 통한 무작위 표본 추출을 확장함으로써 네트워크 전반에 걸쳐 보다 포괄적이고 지속적인 안전 모니터링을 구축하는 데 도움이 될 수 있습니다.

mtrail은 철도 차량의 안전 점검 및 예측 유지보수 분야에서도 상당한 추가 잠재력을 보고 있습니다. 이상 탐지는 현재 소유자와 철도 운송업체 간의 철도 차량 이전 과정에서 수동으로 수행되며, 여기에는 ISO 2859 및 화물차 사용에 관한 일반 계약에 정의된 무작위 표본 검사가 포함됩니다. 이는 TrainVision의 탐지 기능이 적용될 수 있는 자연스러운 다음 응용 분야입니다.

비전 AI가 철도 및 교통 운영을 어떻게 혁신할 수 있는지 궁금하십니까? Ultralytics 산업용 솔루션을 살펴보고, 라이선스 옵션을 확인하거나, GitHub 저장소를 방문하여 지금 바로 시작해 보세요.