mtrail, Ultralytics YOLO tarafından desteklenen, Avrupa Araç Numaralarını, tehlike işaretlerini ve fren işaretlerini otomatik olarak tespit eden çevrimdışı, gerçek zamanlı bir yapay zekâ görüntü tanıma sistemi olan TrainVision'ı geliştirdi; veri toplama süresini %40–100 oranında azaltırken hataları en az %90 düşürdü.
mtrail, 15 yıldır derin alan uzmanlığı ve operasyonel süreçleri optimize eden teknik çözümlerle demiryolu ve altyapı işletmecilerini destekliyor. mtrail, TrainVision ile bu uzmanlığını, manuel süreçleri otomatikleştirip optimize eden ve verimli anomali tespiti ile tren bilgilerinin güvenli biçimde kaydedilip doğrulanmasını sağlayan Ultralytics YOLO üzerine kurulmuş akıllı bir nesne tanıma sistemine dönüştürdü.
Zorluk: Formasyon verileri neden önemli?#
Doğru formasyon ve cer verileri (bir treni oluşturan vagon ve lokomotiflerin kesin sıralaması ile trenin uzunluğu, ağırlığı ve cer ayrıntıları), güvenilir planlama ve müşterilere doğru bilgi sağlama açısından kritik öneme sahiptir. Demiryolu işletmecilerinin bu verileri merkezi tren bilgi sistemlerine bildirmesi gerekir.
Yolcu trenlerinde formasyon verileri genellikle planlama verilerinden otomatik olarak elde edilebilir. Ancak inşaat trenlerinde ve manevra sahalarında manuel giriş hâlâ çoğu zaman gereklidir. Bu da demiryolu personelinin genellikle eldiven takarak, aktif hat ortamında her vagon ve lokomotifin Avrupa Araç Numarasını (EVN) manuel olarak kaydetmesi gerektiği anlamına gelir. Bu süreç yavaştır, hataya açıktır ve gerçek bir güvenlik riski oluşturur: Bir çalışanın tablete odaklanarak geçirdiği her saniye, çevresindeki hat konusunda farkındalığının azaldığı bir saniyedir.
TrainVision: Demiryoluna özgü veriler için gerçek zamanlı tanıma#
TrainVision, bu tanıma sürecini uçtan uca otomatikleştirmek için makine öğrenimi ve bilgisayarlı görü kullanır; bugün manuel süreçleri desteklerken tam otomasyona geçiş için net bir yol sunar. TrainVision, nesne tespiti için EVN'ler ve tehlike işaretleri gibi unsurları bir kare içinde doğru şekilde konumlandırmak üzere Ultralytics YOLO kullanır. Konumları belirlendikten sonra mtrail'in özel olarak eğitilmiş OCR ve tanıma modelleri alana özgü bilgileri çıkarır; EVN'nin kendisini okur, tehlike sınıflandırmalarını veya fren işaretlerini belirler.
Şekil 1. EVN ve vagon işaretleri için özel olarak eğitilen, Ultralytics YOLO'dan yararlanan TrainVision'ın canlı demosu. (Özel olarak çekilmiş görüntü.)
Bu kullanım alanının gerektirdiği doğruluğa ulaşmak için mtrail, gerçek dünyadan alınan görüntüleri kurum içinde oluşturulan milyonlarca sentetik görüntüyle birleştirerek modellerini eğitir. Sentezleme süreci tamamen tanımlı ve izlenebilir olduğundan, ortaya çıkan görüntülerin manuel olarak etiketlenmesi gerekmez; bu önemli bir zaman tasarrufu sağlar ve mtrail'in yeni bir gerçek dünya uç durumu (yıpranma, engellenme, alışılmadık aydınlatma) belirlendiğinde modelleri hızla yeniden eğitmesine olanak tanır.
TrainVision tek bir, her duruma uyan model değildir. mtrail, her hedef platform için o çalışma ortamına göre optimize edilmiş, platforma özel, uyarlanmış bir model oluşturur. Bu sayede TrainVision, her görüntüyü yalnızca 8–30 milisaniyede işlerken elde taşınan mobil cihazlardan hat kenarındaki sabit kamera sistemlerine kadar çeşitli dağıtım ortamlarına entegre edilebilir.
Neden Ultralytics YOLO?#
mtrail için tespit hızı ve uç cihazlarda dağıtım vazgeçilmez gereksinimlerdi. TrainVision'ın yalnızca bir veri merkezinde değil, sahadaki mobil cihazlarda ve her hedef çalışma ortamı için oluşturulan platforma özel modeller genelinde güvenilir şekilde çalışması gerekiyordu.
Bu performans, Ultralytics YOLO'yu TrainVision'ın nesne tespit katmanının temeli hâline getirdi. YOLO modelleri, mobil ve sabit kamera dağıtımlarında EVN'ler ve tehlike işaretleri gibi unsurları doğru şekilde konumlandırmak üzere gerçek dünya görüntüleriyle eğitilir. Ardından mtrail'in kendi OCR ve tanıma modelleri, YOLO'nun konumlandırdığı unsurlardan ayrıntılı bilgileri çıkararak alana özgü görevleri üstlenir.
Müşteri faydaları ve sonuçlar#
TrainVision, daha önce tamamen manuel veri girişine dayanan bir görevi otomatikleştirerek demiryolu işletmecileri için ölçülebilir iyileştirmeler sağlıyor:
- Veri toplama süresinde %100'e varan azalma, sahada manuel EVN girişini ortadan kaldırarak sağlandı. mtrail, Ultralytics YOLO ile verimlilikte yaklaşık %40'tan neredeyse %100'e yükseliş gördü.
- Hata oranında en az %90 azalma, manuel veri girişiyle karşılaştırıldığında.
- Personel güvenliğinde iyileşme, aktif hat alanlarında manuel veri girişinin neden olduğu dikkat dağınıklığının ortadan kaldırılmasıyla sağlandı.
- Sabit kurulumlar için tam otomasyon potansiyeli; sabit kamera sistemleri, formasyonlar, tehlikeli maddeler, frenleme özellikleri, vagon durumu ve revizyon tarihleri dâhil olmak üzere demiryoluna özgü çok çeşitli ölçüm noktalarını manuel müdahale olmadan doğrulayabilir.
TrainVision için sırada ne var?#
Bugün çoğunlukla fiziksel etiketlerle manuel olarak kaydedilen kusurlar, bunun yerine otomatik olarak tespit edilip TAF-TSI gibi standartlaştırılmış arayüzler aracılığıyla doğrudan Avrupa demiryolu veri platformlarına veya bakım sistemlerine aktarılabilir. mtrail'in demiryolu alanındaki uzmanlığının bu düzeyde bilgisayarlı görüyle birleştirilmesi, kusur tespitinin hem verimliliğini hem de kalitesini daha da artırabilir ve sabit sistemlerle rastgele örneklemeyi genişleterek ağ genelinde daha kapsamlı ve sürekli güvenlik izleme kurulmasına yardımcı olabilir.
mtrail, demiryolu araçlarının güvenlik kontrolleri ve öngörücü bakımı alanlarında önemli bir ek potansiyel görüyor. Demiryolu araçları sahipler ve demiryolu işletmeleri arasında devredilirken anomali tespiti şu anda manuel olarak gerçekleştiriliyor; buna ISO 2859 kapsamında tanımlanan rastgele örnekleme denetimleri ve Yük Vagonlarının Kullanımına İlişkin Genel Sözleşme de dâhil. Bunlar, TrainVision'ın tespit yetenekleri için doğal bir sonraki uygulama alanını oluşturuyor.
Vision AI'ın demiryolu ve taşımacılık operasyonlarını nasıl dönüştürebileceğini merak ediyor musun? Ultralytics sektör çözümlerini keşfet, lisans seçeneklerimizi incele veya bugün başlamaya hazırlanmak için GitHub deposuna göz at.
