A mtrail desenvolveu o TrainVision, um sistema offline de reconhecimento de imagens por IA em tempo real, baseado no Ultralytics YOLO, que deteta automaticamente Números Europeus de Veículos, sinais de perigo e sinais de travagem, reduzindo o tempo de recolha de dados em 40–100% e os erros em pelo menos 90%.
Há 15 anos, a mtrail apoia operadores ferroviários e de infraestruturas com conhecimentos especializados do setor e soluções técnicas que otimizam os processos operacionais. Com o TrainVision, a mtrail transformou esse conhecimento num sistema inteligente de reconhecimento de objetos, desenvolvido com base no Ultralytics YOLO, que automatiza e otimiza processos manuais, permitindo uma deteção eficiente de anomalias e o registo e a validação seguros de informações sobre comboios.
O desafio: por que motivo os dados de composição são importantes#
Dados precisos sobre a composição e a tração (a sequência exata de vagões e locomotivas que formam um comboio, bem como o comprimento, o peso e os detalhes da tração do comboio) são essenciais para um planeamento fiável e uma orientação eficaz dos clientes. Os operadores ferroviários são obrigados a comunicar estes dados aos sistemas centrais de informação ferroviária.
Nos comboios de passageiros, os dados de composição podem normalmente ser obtidos automaticamente a partir dos dados de planeamento. Mas, no caso dos comboios de obras e nos pátios de manobras, a introdução manual continua muitas vezes a ser necessária. Isto significa que os trabalhadores ferroviários têm de registar manualmente o Número Europeu de Veículo (EVN) de cada vagão e locomotiva, normalmente usando luvas, num ambiente de via ativa. Este processo é lento, propenso a erros e cria um risco de segurança real: cada segundo que um trabalhador passa concentrado num tablet é um segundo de menor atenção à via circundante.
TrainVision: reconhecimento em tempo real de dados específicos do setor ferroviário#
O TrainVision utiliza aprendizagem automática e visão computacional para automatizar este reconhecimento de ponta a ponta, apoiando atualmente os processos manuais e oferecendo um caminho claro para a automatização total. Para a deteção de objetos, o TrainVision baseia-se no Ultralytics YOLO para localizar com precisão elementos como EVNs e sinais de perigo num frame. Depois de localizados, os modelos próprios de OCR e reconhecimento, treinados especificamente pela mtrail, extraem as informações específicas do setor: leem o próprio EVN, identificam classificações de perigo ou sinais de travagem.
Fig. 1. Demonstração ao vivo do TrainVision com Ultralytics YOLO, treinado especificamente para EVNs e marcações de vagões. (Imagem captada em privado).
Para alcançar a precisão exigida por este caso de utilização, a mtrail treina os seus modelos com imagens do mundo real combinadas com milhões de imagens sintéticas geradas internamente. Como o processo de síntese é totalmente definido e rastreável, as imagens resultantes não precisam de ser anotadas manualmente, o que representa uma poupança de tempo significativa e permite à mtrail voltar a treinar rapidamente os modelos sempre que é identificado um novo caso-limite do mundo real (desgaste, obstrução ou iluminação invulgar).
O TrainVision não é um único modelo universal. Para cada plataforma-alvo, a mtrail cria um modelo personalizado e específico para essa plataforma, otimizado para o respetivo ambiente de execução. Isto permite integrar o TrainVision numa variedade de ambientes de implementação, desde dispositivos móveis portáteis a sistemas estacionários de câmaras junto à via, continuando a processar cada imagem em apenas 8–30 milissegundos.
Porquê o Ultralytics YOLO?#
Para a mtrail, a velocidade de deteção e a implementação em dispositivos edge eram requisitos inegociáveis. O TrainVision precisava de funcionar de forma fiável em dispositivos móveis no terreno, e não apenas num centro de dados, bem como nos modelos específicos de cada plataforma desenvolvidos para cada ambiente de execução-alvo.
Esse desempenho fez do Ultralytics YOLO a base da camada de deteção de objetos do TrainVision. Os modelos YOLO são treinados com imagens do mundo real para localizar com precisão elementos como EVNs e sinais de perigo em implementações com câmaras móveis e fixas. Os modelos próprios de OCR e reconhecimento da mtrail assumem depois o trabalho específico do setor, extraindo as informações detalhadas a partir do que o YOLO localizou.
Benefícios e resultados para o cliente#
Ao automatizar uma tarefa que anteriormente dependia totalmente da introdução manual, o TrainVision proporciona melhorias mensuráveis aos operadores ferroviários:
- Redução de até 100% no tempo de recolha de dados, ao eliminar a introdução manual de EVNs no terreno. A mtrail registou um aumento de cerca de 40% para quase 100% na eficiência com o Ultralytics YOLO.
- Redução de pelo menos 90% na taxa de erros, em comparação com a introdução manual de dados.
- Maior segurança do pessoal, ao eliminar a distração causada pela introdução manual de dados em zonas de via ativa.
- Potencial de automatização total para instalações fixas, nas quais sistemas estacionários de câmaras podem validar uma vasta gama de pontos de medição específicos do setor ferroviário, incluindo composições, mercadorias perigosas, características de travagem, estado dos vagões e datas de revisão, sem intervenção manual.
O que se segue para o TrainVision#
As avarias que atualmente são muitas vezes registadas manualmente com autocolantes físicos poderiam, em alternativa, ser detetadas automaticamente e enviadas diretamente para plataformas europeias de dados ferroviários ou sistemas de manutenção através de interfaces padronizadas, como a TAF-TSI. A combinação dos conhecimentos especializados da mtrail no setor ferroviário com a visão computacional a este nível poderia aumentar ainda mais a eficiência e a qualidade da deteção de avarias e, ao complementar a amostragem aleatória com sistemas estacionários, ajudar a estabelecer uma monitorização de segurança mais abrangente e contínua em toda a rede.
A mtrail vê um potencial significativo adicional nas verificações de segurança e na manutenção preditiva do material circulante. Atualmente, a deteção de anomalias é realizada manualmente durante as transferências de material circulante entre proprietários e empresas ferroviárias, incluindo as inspeções por amostragem aleatória definidas pela ISO 2859 e pelo Contrato Geral para a Utilização de Vagões de Mercadorias, que constituem uma aplicação seguinte natural para as capacidades de deteção do TrainVision.
Interessado em saber como a IA de visão pode transformar as operações ferroviárias e de transporte? Explora as soluções da Ultralytics para o setor, conhece as nossas opções de licenciamento ou consulta o repositório no GitHub para começar hoje.
