Ao clicar em "Aceitar todos os cookies", concorda com o armazenamento de cookies no seu dispositivo para melhorar a navegação no site, analisar a utilização do site e ajudar nos nossos esforços de marketing. Mais informações
Definições de cookies
Ao clicar em "Aceitar todos os cookies", concorda com o armazenamento de cookies no seu dispositivo para melhorar a navegação no site, analisar a utilização do site e ajudar nos nossos esforços de marketing. Mais informações
Veja como a visão computacional nas operações ferroviárias está a melhorar a segurança, a manutenção e a eficiência através da monitorização em tempo real e de inspecções automatizadas.
Os caminhos-de-ferro são uma parte essencial dos sistemas de transporte terrestre. Abrangendo mais de 1 milhão de quilómetros de rotas em todo o mundo, as redes ferroviárias ligam cidades, indústrias e comunidades através de vastas distâncias. À medida que estes sistemas se expandem e a procura aumenta, garantir a segurança e a eficiência exige mais do que apenas verificações e monitorização manuais.
As soluções de ponta estão a tornar-se cada vez mais essenciais. Por exemplo, a visão por computador, um ramo da inteligência artificial (IA) que trata do processamento de dados visuais, está a ser utilizada para racionalizar várias operações ferroviárias.
Os sistemas com visão utilizam câmaras e modelos de visão por computador, como o Ultralytics YOLO11, para dar aos operadores ferroviários conhecimento em tempo real das operações. Através de tarefas como a deteção de objectos e a segmentação de instâncias, modelos como o YOLO11 podem intervir para analisar vias, plataformas, túneis e o interior dos comboios para detetar objectos, pessoas ou perigos.
Considere-se uma situação em que alguém se aproxima demasiado da borda da plataforma ou em que aparecem detritos na via. A IA de visão pode detectá-los em tempo real e enviar um alerta, permitindo que as equipas da estação respondam rapidamente e evitem que potenciais riscos se transformem em atrasos ou acidentes. Também ajuda o pessoal ao monitorizar áreas difíceis de vigiar a todo o momento.
Fig. 1. Um exemplo de utilização do YOLO11 para detetar pessoas que se encontram numa plataforma de comboio.
À medida que a adoção da IA e da visão computacional cresce, mais cidades estão a começar a utilizar a IA de visão para tornar as operações ferroviárias mais seguras e mais eficientes. Neste artigo, vamos explorar a forma como a IA de visão nos fluxos de trabalho de transporte ferroviário está a ser aplicada em todo o mundo. Vamos começar!
O papel da IA de visão nas operações de transporte ferroviário
As redes ferroviárias envolvem muitas partes móveis que precisam de ser monitorizadas em tempo real. O que tradicionalmente era feito pelo pessoal das estações pode agora ser automatizado com recurso à IA. Os modelos de visão por computador, como o YOLO11, podem ajudar os operadores das estações a vigiar mais de perto as funções ferroviárias e a reagir rapidamente quando surgem problemas.
Em particular, as tarefas de visão computacional referem-se às funções específicas que estes modelos podem ser treinados para executar utilizando dados visuais das câmaras. Eis algumas das principais tarefas que podem ser utilizadas para monitorizar as operações ferroviárias:
Deteção de objectos: Esta tarefa envolve a identificação e localização de objectos específicos numa imagem ou quadro de vídeo. Em aplicações ferroviárias, modelos como o YOLO11 podem detetar objectos como detritos, ferramentas, bagagem ou pessoas nos carris ou perto deles.
Rastreamento de objetos: Trata-se de monitorizar o movimento de objectos detectados em vários fotogramas de vídeo. Nas estações ou a bordo dos comboios, o seguimento ajuda a seguir o fluxo de passageiros e a monitorizar os movimentos dos comboios.
Estimativa da pose: Envolve a deteção e análise das posições das principais articulações do corpo para compreender a postura humana. Em ambientes ferroviários, pode ajudar a identificar situações de emergência, como o colapso de uma pessoa numa plataforma, accionando alertas para intervenção.
Segmentação de instâncias: Centra-se na classificação de cada pixel de uma imagem em categorias predefinidas. Na monitorização de infra-estruturas ferroviárias, pode ser utilizada para avaliar o estado das vias, plataformas e outras superfícies, identificando caraterísticas como fissuras, corrosão ou desgaste.
Fig. 2. O YOLO11 pode ser utilizado para detetar e seguir pessoas e comboios para fins de segurança.
Utilização da IA de visão para monitorização ferroviária
Embora a monitorização baseada na visão esteja normalmente associada à segurança e vigilância, os sistemas ferroviários utilizam a IA de visão para muito mais do que apenas tarefas básicas de segurança. Também desempenha um papel na melhoria das operações, no reforço da segurança e no apoio à gestão global do sistema em toda a rede.
Uma das principais vantagens da utilização da Vision AI nos transportes públicos é a sua capacidade de trabalhar em tempo real, fornecendo ao pessoal da estação informações úteis e atempadas para se antecipar a potenciais problemas.
Vejamos alguns exemplos do mundo real de como a visão computacional está a ajudar os caminhos-de-ferro a funcionar com maior precisão e controlo.
Deteção de objectos em sistemas ferroviários para tarefas de manutenção
Como o tráfego ferroviário continua a crescer na Europa, a necessidade de uma monitorização fiável da infraestrutura tornou-se crucial. Os carris têm de ser inspeccionados regularmente quanto a desgaste, danos e desalinhamento para facilitar operações seguras e sem problemas. Isto implica verificar milhares de quilómetros de carris em busca de sinais precoces de defeitos, antes que estes conduzam a dispendiosas interrupções ou acidentes. A IA de visão oferece uma forma eficaz de automatizar e melhorar este processo de inspeção.
Fig. 3. Os sistemas de visão por computador podem detetar partes defeituosas das vias férreas.
Por exemplo, nos Países Baixos, onde a rede ferroviária se estende por milhares de quilómetros, a monitorização e manutenção constantes das vias é uma tarefa enorme. Embora as inspecções manuais ainda sejam importantes, podem ser lentas, trabalhosas e, muitas vezes, interromper o serviço. Para resolver este problema, foi introduzido um sistema de visão por computador para inspecionar as condições das vias férreas em tempo real.
As câmaras montadas nos comboios em movimento captam um fluxo contínuo de imagens de alta resolução. Estas imagens são depois analisadas por modelos de IA de visão treinados para detetar desalinhamentos da via, componentes gastos ou danificados e peças em falta.
Com uma monitorização contínua e automatizada, as inspecções não só são mais rápidas como também mais precisas. As equipas de manutenção podem dar prioridade às áreas que mais necessitam de atenção, reduzindo as verificações desnecessárias. Como resultado, os operadores têm conseguido reduzir os riscos operacionais, diminuir os atrasos e melhorar a segurança geral, sem interromper o serviço diário.
Conduzir operações mais seguras com IA na infraestrutura ferroviária
Em projectos ferroviários de grande escala, manter a segurança no local é um dos desafios mais persistentes. Isto foi especialmente verdade durante a construção da rede ferroviária urbana de Wuhan, na China, onde os locais de trabalho activos e as condições variáveis exigiram uma supervisão constante.
Tradicionalmente, os controlos de segurança baseavam-se na observação manual, o que frequentemente significava que os riscos só eram identificados após a ocorrência de um incidente. Para melhorar os tempos de resposta e reduzir os riscos, os investigadores introduziram um sistema de monitorização da segurança em tempo real, alimentado por visão computacional.
Foram instaladas mais de 240 câmaras de alta definição nos locais de construção para registar continuamente a atividade. As imagens de vídeo foram processadas no local utilizando modelos de IA capazes de detetar não só quando os indivíduos entravam em áreas perigosas, mas também se o equipamento próximo estava parado ou em movimento - um fator importante na avaliação do risco em tempo real. Quando era detectado um comportamento inseguro, o sistema podia enviar alertas imediatos aos supervisores do local.
Fig. 4. Deteção de perigos através de visão computacional.
Um olhar sobre a vigilância dos caminhos-de-ferro utilizando a IA de visão
Para além de melhorar as inspecções de manutenção e segurança, a visão computacional está também a ser utilizada para monitorizar as vias férreas em tempo real para detetar intrusões. Essa é uma preocupação séria, com 995 fatalidades relacionadas a ferrovias relatadas nos Estados Unidos somente em 2023. Muitos desses incidentes envolveram acesso não autorizado aos trilhos, uma área em que os métodos tradicionais de monitoramento são frequentemente limitados.
Para resolver este problema, os caminhos-de-ferro nos Estados Unidos estão a começar a adotar soluções de visão por computador. Estes sistemas utilizam feeds de vídeo em direto, analisados por modelos de IA, para detetar eventos como invasão de propriedade, obstruções de vias e potenciais violações de sinais. Ao identificar estes problemas à medida que ocorrem, o sistema ajuda as equipas a responder rapidamente, antes que o serviço seja interrompido ou a segurança seja posta em risco.
Ao contrário das inspeções manuais, que ocorrem em intervalos definidos, os sistemas de visão computacional fornecem monitoramento contínuo e em tempo real em toda a rede. Quando uma ameaça é detectada, os alertas são enviados imediatamente aos operadores, permitindo respostas rápidas e direcionadas. Isso leva a uma melhor consciência situacional, intervenção mais rápida e menos atrasos causados por incidentes evitáveis.
Monitorização da segurança alimentar com Vision AI
Todos os dias, milhões de refeições são preparadas e servidas nos comboios e estações, onde a higiene é uma prioridade máxima. Na Índia, a Indian Railway Catering and Tourism Corporation (IRCTC) gere uma das maiores redes alimentares ferroviárias do mundo.
Até há pouco tempo, os controlos de higiene eram feitos manualmente, o que tornava difícil monitorizar todas as cozinhas a todo o momento. Para tornar as coisas mais eficientes e fiáveis, a IRCTC introduziu um sistema Vision AI que controla as práticas de segurança alimentar em tempo real.
O sistema liga-se às câmaras CCTV existentes nas cozinhas e nas áreas de preparação de alimentos. Utiliza modelos de IA treinados para detetar problemas de higiene comuns, como o facto de o pessoal não lavar as mãos, a falta de luvas ou toucas de cabelo ou estações de trabalho sujas.
Desde que foi implementado, o sistema ajudou a melhorar os padrões de higiene e facilitou a tarefa do pessoal de se manter a par da segurança alimentar, passando mais tempo a concentrar-se na preparação das refeições e não apenas na verificação dos procedimentos.
Prós e contras da visão computacional nas operações ferroviárias
A visão computacional oferece uma série de benefícios quando se trata de melhorar a segurança, a manutenção e as operações diárias em sistemas ferroviários. Aqui estão algumas das principais vantagens:
Manutenção preditiva: Ao detetar sinais precoces de desgaste ou danos nas vias e infra-estruturas, a Vision AI pode ajudar a evitar falhas antes que elas ocorram.
Monitorização 24/7: Ao contrário dos inspectores humanos, os sistemas de visão por computador podem funcionar continuamente sem fadiga ou turnos.
Escalabilidade: Uma vez implementado, o mesmo sistema pode ser expandido para cobrir mais estações, comboios ou zonas operacionais com um esforço adicional mínimo.
Apesar dos muitos aspectos positivos que a Vision AI traz para o transporte ferroviário, ainda existem desafios na implementação e manutenção destes sistemas. Eis alguns inconvenientes a considerar:
Preocupações com a privacidade: A vigilância contínua em áreas públicas pode suscitar questões éticas e desconforto entre os passageiros e o pessoal.
Custo inicial elevado: A configuração de um sistema Vision AI, incluindo câmaras, servidores e software de IA, requer um investimento inicial significativo.
Integração complexa: A integração de sistemas de visão computacional com infra-estruturas existentes, como sistemas de sinalização ou de controlo antigos, pode ser tecnicamente difícil.
Principais conclusões
À medida que as redes ferroviárias crescem, aumenta a procura de sistemas em tempo real que forneçam informações fiáveis. Os sistemas de visão por computador utilizam a deteção de objectos, verificações estruturais e alertas em tempo real para ajudar os operadores a responder rapidamente e com precisão aos problemas.
As ferramentas de IA melhoram as operações diárias e também reduzem os custos de manutenção a longo prazo e os riscos de segurança. À medida que estas ferramentas forem melhorando, a IA deverá desempenhar um papel importante para tornar os sistemas ferroviários mais eficientes, reactivos e seguros.
