Aplicações da visão computacional nas operações ferroviárias

Para uma explicação visual dos conceitos abordados neste artigo, assista ao vídeo abaixo.

As ferrovias são uma parte essencial dos sistemas de transporte terrestre. Com mais de 1 milhão de quilômetros de linhas em todo o mundo, as redes ferroviárias conectam cidades, indústrias e comunidades ao longo de grandes distâncias. À medida que esses sistemas se expandem e a demanda aumenta, garantir segurança e eficiência exige mais do que simples verificações e monitoramento manuais.

Soluções de ponta estão se tornando cada vez mais essenciais. Por exemplo, a visão computacional, um ramo da inteligência artificial (AI) que lida com o processamento de dados visuais, está sendo usada para otimizar várias operações ferroviárias.

Os sistemas equipados com visão usam câmeras e modelos de visão computacional, como o Ultralytics YOLO11, para proporcionar aos operadores ferroviários uma visão em tempo real das operações. Por meio de tarefas como detecção de objetos e segmentação de instâncias, modelos como o YOLO11 podem analisar trilhos, plataformas, túneis e o interior dos trens para detectar objetos, pessoas ou perigos.

Considera uma situação em que alguém fica demasiado perto da borda da plataforma ou em que aparecem detritos nos trilhos. A IA de visão pode detectar isso em tempo real e enviar um alerta, permitindo que as equipes da estação respondam rapidamente e evitem que possíveis riscos se transformem em atrasos ou acidentes. Ela também ajuda a equipe monitorando áreas que são difíceis de observar o tempo todo.

Fig. 1. Um exemplo do uso do Ultralytics YOLO11 para detectar pessoas em pé em uma plataforma ferroviária.

À medida que a adoção de AI e da visão computacional cresce, mais cidades estão começando a usar IA de visão para tornar as operações ferroviárias mais seguras e eficientes. Neste artigo, vamos explorar como a IA de visão está sendo aplicada em fluxos de trabalho do transporte ferroviário 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 ser monitoradas em tempo real. O que tradicionalmente era feito pela equipe da estação agora pode ser automatizado usando AI. Modelos de visão computacional, como o YOLO11, podem ajudar os operadores das estações a acompanhar mais de perto as operações ferroviárias e a responder rapidamente quando surgem problemas.

Em particular, as tarefas de visão computacional referem-se às funções específicas que esses modelos podem ser treinados para executar usando entradas visuais de câmeras. Estas são algumas tarefas importantes que podem ser usadas para monitorar operações ferroviárias:

• Detecção de objetos: Esta tarefa envolve identificar e localizar objetos específicos em uma imagem ou quadro de vídeo. Em aplicações ferroviárias, modelos como o Ultralytics YOLO11 podem detectar itens como detritos, ferramentas, bagagens ou pessoas nos trilhos ou perto deles.

• Rastreamento de objetos: Refere-se ao monitoramento do movimento de objetos detectados em vários quadros de vídeo. Em estações ou dentro de trens, o rastreamento ajuda a acompanhar o fluxo de passageiros e monitorar os movimentos dos trens.

• Estimativa de pose: Envolve detectar e analisar as posições das principais articulações do corpo para compreender a postura humana. Em ambientes ferroviários, pode ajudar a identificar situações de emergência, como uma pessoa desmaiando em uma plataforma, acionando alertas para intervenção.

• Segmentação de instâncias: Concentra-se em classificar cada pixel de uma imagem em categorias predefinidas. No monitoramento da infraestrutura ferroviária, pode ser usada para avaliar as condições dos trilhos, plataformas e outras superfícies, identificando características como rachaduras, corrosão ou desgaste.

Fig. 2. O Ultralytics YOLO11 pode ser usado para detectar e rastrear pessoas e trens para fins de segurança.

Usando IA de visão para monitoramento ferroviário#

Embora o monitoramento baseado em visão esteja normalmente associado à segurança e à vigilância, os sistemas ferroviários usam IA de visão para muito mais do que apenas tarefas básicas de segurança. Ela também desempenha um papel na melhoria das operações, no reforço da segurança e no apoio à gestão geral do sistema em toda a rede.

Um dos principais benefícios do uso da IA de visão no transporte público é sua capacidade de operar em tempo real, fornecendo à equipe da estação informações úteis e oportunas para se antecipar a possíveis problemas.

Vamos analisar alguns exemplos reais de como a visão computacional está ajudando as ferrovias a operar com maior precisão e controle.

Detecção de objetos em sistemas ferroviários para tarefas de manutenção#

À medida que o tráfego ferroviário continua crescendo na Europa, a necessidade de monitoramento confiável da infraestrutura tornou-se crucial. Os trilhos precisam ser inspecionados regularmente quanto a desgaste, danos e desalinhamento para permitir operações seguras e tranquilas. Isso envolve verificar milhares de quilômetros de trilhos em busca de sinais iniciais de defeitos antes que eles causem interrupções dispendiosas ou acidentes. A IA de visão oferece uma maneira eficaz de automatizar e aprimorar esse processo de inspeção.

Fig. 3. Os sistemas de visão computacional podem detectar partes defeituosas de trilhos ferroviários.

Por exemplo, nos Países Baixos, onde a rede ferroviária se estende por milhares de quilômetros, monitorar e manter os trilhos continuamente é uma tarefa enorme. Embora as inspeções manuais ainda sejam importantes, elas podem ser lentas, exigir muita mão de obra e frequentemente interromper o serviço. Para resolver isso, foi introduzido um sistema de visão computacional para inspecionar as condições dos trilhos em tempo real.

Câmeras instaladas em trens em movimento capturam um fluxo contínuo de imagens de alta resolução. Essas imagens são então analisadas por modelos de IA de visão treinados para detectar desalinhamentos nos trilhos, componentes desgastados ou danificados e peças ausentes.

Com o monitoramento contínuo e automatizado implementado, as inspeções não são apenas mais rápidas, mas também mais precisas. As equipes de manutenção podem priorizar as áreas que mais precisam de atenção, reduzindo verificações desnecessárias. Como resultado, os operadores conseguiram reduzir os riscos operacionais e os atrasos, além de melhorar a segurança geral, sem interromper o serviço diário.

Promovendo operações mais seguras com AI na infraestrutura ferroviária#

Em grandes projetos ferroviários, manter a segurança no local é um dos desafios mais persistentes. Isso foi especialmente verdadeiro durante a construção da rede ferroviária urbana de Wuhan, na China, onde locais de trabalho ativos e condições em constante mudança exigiam supervisão contínua.

Tradicionalmente, as verificações de segurança dependiam de observação manual, o que muitas vezes significava que os riscos só eram identificados depois da ocorrência de um incidente. Para melhorar os tempos de resposta e reduzir os riscos, pesquisadores introduziram um sistema de monitoramento de segurança em tempo real baseado em visão computacional.

Mais de 240 câmeras de alta definição foram instaladas nos canteiros de obras para registrar continuamente as atividades. As imagens de vídeo eram processadas no local usando modelos de AI capazes de detectar não apenas quando pessoas entravam em áreas perigosas, mas também se os equipamentos próximos estavam parados ou em movimento — um fator importante na avaliação de riscos em tempo real. Quando um comportamento inseguro era detectado, o sistema podia enviar alertas imediatos aos supervisores do local.

Fig. 4. Detectando perigos usando visão computacional.

Uma análise da vigilância ferroviária usando IA de visão#

Além de melhorar a manutenção e as inspeções de segurança, a visão computacional também está sendo usada para monitorar os trilhos em tempo real em busca de intrusões. Essa é uma preocupação séria: somente em 2023, foram registradas 995 mortes relacionadas a ferrovias nos Estados Unidos. Muitos desses incidentes envolveram acesso não autorizado aos trilhos, uma área em que os métodos tradicionais de monitoramento costumam ser limitados.

Para resolver isso, as ferrovias nos Estados Unidos estão começando a adotar soluções de visão computacional. Esses sistemas usam transmissões de vídeo ao vivo, analisadas por modelos de AI, para detectar eventos como invasões, obstruções nos trilhos e possíveis violações de sinalização. Ao identificar esses problemas quando ocorrem, o sistema ajuda as equipes a responder rapidamente, antes que o serviço seja interrompido ou a segurança seja colocada 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 resulta em maior consciência situacional, intervenção mais rápida e menos atrasos causados por incidentes evitáveis.

Monitoramento da segurança alimentar com IA de visão#

Todos os dias, milhões de refeições são preparadas e servidas em trens e estações, onde a higiene é uma prioridade máxima. Na Índia, a Corporação Indiana de Catering e Turismo Ferroviário (IRCTC) administra uma das maiores redes ferroviárias de alimentação do mundo.

Até recentemente, as verificações de higiene eram feitas manualmente, o que dificultava o monitoramento contínuo de todas as cozinhas. Para tornar o processo mais eficiente e confiável, a IRCTC introduziu um sistema de IA de visão que monitora as práticas de segurança alimentar em tempo real.

O sistema se conecta às câmeras de CCTV existentes nas cozinhas e áreas de preparação de alimentos. Ele usa modelos de AI treinados para identificar problemas comuns de higiene, como funcionários que não lavam as mãos, a ausência de luvas ou redes para cabelo e estações de trabalho sujas.

Desde sua implementação, o sistema ajudou a melhorar os padrões de higiene e facilitou para a equipe manter o controle da segurança alimentar, enquanto dedica mais tempo à preparação das refeições, em vez de apenas verificar os procedimentos.

Prós e contras da visão computacional nas operações ferroviárias#

A visão computacional oferece uma série de benefícios para melhorar a segurança, a manutenção e as operações diárias nos sistemas ferroviários. Estas são algumas das principais vantagens:

• Manutenção preditiva: Ao detectar sinais iniciais de desgaste ou danos nos trilhos e na infraestrutura, a IA de visão pode ajudar a evitar falhas antes que ocorram.
• Monitoramento 24 horas por dia, 7 dias por semana: Ao contrário dos inspetores humanos, os sistemas de visão computacional podem operar continuamente, sem fadiga ou turnos.
• Escalabilidade: Depois de implementado, o mesmo sistema pode ser expandido para abranger mais estações, trens ou zonas operacionais com esforço adicional mínimo.

Apesar dos muitos benefícios que a IA de visão traz para o transporte ferroviário, ainda existem desafios na implementação e manutenção desses sistemas. Aqui estão algumas desvantagens a considerar:

• Preocupações com a privacidade: A vigilância contínua em áreas públicas pode causar problemas éticos e desconforto entre passageiros e funcionários.
• Alto custo inicial: Configurar um sistema de IA de visão, incluindo câmeras, servidores e software de AI, exige um investimento inicial significativo.
• Integração complexa: Integrar sistemas de visão computacional à infraestrutura existente, como sistemas legados de sinalização ou controle, pode ser tecnicamente desafiador.

Principais conclusões#

À medida que as redes ferroviárias crescem, aumenta a demanda por sistemas em tempo real que forneçam informações confiáveis. Os sistemas de visão computacional usam detecção de objetos, verificações estruturais e alertas em tempo real para ajudar os operadores a responder de forma rápida e precisa aos problemas.

As ferramentas de AI melhoram as operações diárias e também reduzem os custos de manutenção de longo prazo e os riscos à segurança. À medida que essas ferramentas evoluem, a AI está destinada a desempenhar um papel importante para tornar os sistemas ferroviários mais eficientes, ágeis e seguros.

Junta-te à nossa comunidade em crescimento! Explora o nosso repositório no GitHub para saberes mais sobre AI. Queres começar os teus projetos de visão computacional? Consulta as nossas opções de licenciamento. Descobre a AI na agricultura e a IA de visão na área da saúde visitando as nossas páginas de soluções!