mtrail, Ultralytics YOLO ile güçlendirilmiş, çevrimdışı ve gerçek zamanlı bir yapay zekâ görüntü tanıma sistemi olan TrainVision'ı geliştirdi. Sistem, Avrupa Araç Numaralarını, tehlike işaretlerini ve fren işaretlerini otomatik olarak algılayarak veri toplama süresini %40–100 kısaltıyor ve hataları en az %90 azaltıyor.
mtrail, 15 yıldır derin alan uzmanlığı ve operasyonel süreçleri iyileştiren teknik çözümlerle demir yolu ve altyapı işletmecilerini destekliyor. mtrail, TrainVision ile bu uzmanlığını Ultralytics YOLO üzerine kurulu akıllı bir nesne tanıma sistemine dönüştürdü. Sistem manuel süreçleri otomatikleştirip iyileştirerek verimli anomali algılamayı, tren bilgilerinin güvenli biçimde kaydedilip doğrulanmasını sağlıyor.
Zorluk: Tren dizisi verileri neden önemlidir?#
Doğru tren dizisi ve cer verileri (bir treni oluşturan vagon ve lokomotiflerin tam sırası ile trenin uzunluğu, ağırlığı ve cer bilgileri), güvenilir planlama ve müşterilere doğru bilgi verme açısından kritik öneme sahiptir. Demir yolu işletmecilerinin bu verileri merkezi tren bilgi sistemlerine bildirmesi gerekir.
Yolcu trenlerinde tren dizisi verileri genellikle planlama verilerinden otomatik olarak elde edilebilir. Ancak inşaat trenlerinde ve manevra sahalarında verilerin manuel girilmesi hâlâ çoğu zaman gerekir. Bu da demir yolu personelinin, genellikle eldiven takarak ve aktif bir hat ortamında, her vagonun ve lokomotifin Avrupa Araç Numarasını (EVN) elle kaydetmesi anlamına gelir. Bu süreç yavaştır, hataya açıktır ve gerçek bir güvenlik riski oluşturur: bir çalışanın tablete odaklanarak geçirdiği her saniye, çevresindeki hatta karşı farkındalığının azaldığı bir saniyedir.
TrainVision: Demir yoluna özgü veriler için gerçek zamanlı tanıma#
TrainVision, bu tanıma sürecini uçtan uca otomatikleştirmek için makine öğrenimi ve bilgisayarlı görü kullanıyor; bugün manuel süreçleri desteklerken tam otomasyona geçiş için açık bir yol sunuyor. TrainVision, nesne algılama için görüntü karesindeki EVN'ler ve tehlike işaretleri gibi öğeleri doğru konumlandırmak üzere Ultralytics YOLO kullanıyor. Öğeler konumlandırıldıktan sonra mtrail'in özel olarak eğitilmiş kendi OCR ve tanıma modelleri devreye girerek EVN'nin kendisini okuyor, tehlike sınıflarını belirliyor veya fren işaretlerini tanıyor.
Şekil 1. EVN ve vagon işaretleri için özel olarak eğitilmiş, Ultralytics YOLO'dan yararlanan TrainVision'ın canlı demosu. (Özel olarak çekilmiş görüntü).
Bu kullanım alanının gerektirdiği doğruluğa ulaşmak için mtrail, modellerini gerçek dünya görüntülerinin yanı sıra kurum içinde oluşturulan milyonlarca sentetik görüntüyle eğitiyor. Sentez süreci tamamen tanımlı ve izlenebilir olduğundan ortaya çıkan görüntülerin manuel olarak etiketlenmesi gerekmiyor. Bu da önemli ölçüde zaman kazandırıyor ve mtrail'in yeni bir gerçek dünya uç durumu (yıpranma, kapanma veya sıra dışı aydınlatma) belirlendiğinde modelleri hızla yeniden eğitmesini sağlıyor.
TrainVision, her duruma uyan tek bir modelden ibaret değil. mtrail, her hedef platform için o çalışma ortamına göre optimize edilmiş, platforma özel bir model oluşturuyor. Bu sayede TrainVision, el tipi mobil cihazlardan sabit hat kenarı kamera sistemlerine kadar çeşitli dağıtım ortamlarına entegre edilebiliyor ve her görüntüyü yine de yalnızca 8–30 milisaniyede işleyebiliyor.
Neden Ultralytics YOLO?#
mtrail için algılama hızı ve uç dağıtımı taviz verilemez gereksinimlerdi. TrainVision'ın yalnızca bir veri merkezinde değil, sahadaki mobil cihazlarda da güvenilir biçimde çalışması ve her hedef çalışma ortamı için oluşturulan platforma özel modelleri desteklemesi gerekiyordu.
Bu performans, Ultralytics YOLO'yu TrainVision'ın nesne algılama katmanının temeli hâline getirdi. YOLO modelleri, hem mobil hem de sabit kameralı dağıtımlarda EVN'ler ve tehlike işaretleri gibi öğeleri doğru biçimde konumlandırmak için gerçek dünya görüntüleriyle eğitiliyor. Ardından mtrail'in kendi OCR ve tanıma modelleri, YOLO'nun konumlandırdığı öğelerden ayrıntılı bilgileri çıkararak alana özgü görevleri üstleniyor.
Müşteri faydaları ve sonuçlar#
TrainVision, daha önce tamamen manuel veri girişine dayanan bir görevi otomatikleştirerek demir yolu işletmecilerine ölçülebilir iyileşmeler sunuyor:
- Veri toplama süresinde %100'e varan azalma, sahada EVN'lerin manuel olarak girilmesini ortadan kaldırarak sağlanıyor. mtrail, Ultralytics YOLO ile verimliliğin yaklaşık %40'tan neredeyse %100'e çıktığını gördü.
- Hata oranında en az %90 azalma, manuel veri girişiyle karşılaştırıldığında.
- Personel güvenliğinde iyileşme, aktif hat bölgelerinde manuel veri girişi dikkat dağınıklığını ortadan kaldırarak sağlanıyor.
- Sabit kurulumlarda tam otomasyon potansiyeli sayesinde sabit kamera sistemleri; tren dizileri, tehlikeli maddeler, frenleme özellikleri, vagonların durumu ve revizyon tarihleri dâhil olmak üzere demir yoluna özgü çok çeşitli ölçüm noktalarını manuel müdahale olmadan doğrulayabiliyor.
TrainVision'ın sonraki adımı#
Bugün çoğu zaman fiziksel etiketlerle manuel olarak kaydedilen kusurlar bunun yerine otomatik algılanıp TAF-TSI gibi standartlaştırılmış arayüzler üzerinden doğrudan Avrupa demir yolu veri platformlarına veya bakım sistemlerine aktarılabilir. mtrail'in demir yolu alanındaki uzmanlığını bu düzeyde bilgisayarlı görüyle birleştirmek, kusur algılamanın hem verimliliğini hem de kalitesini daha da artırabilir. Ayrıca rastgele örneklemeyi sabit sistemlerle genişleterek ağ genelinde daha kapsamlı ve kesintisiz güvenlik izlemesinin kurulmasına yardımcı olabilir.
mtrail, demir yolu araçlarında güvenlik kontrolleri ve kestirimci bakım için önemli bir potansiyel görüyor. Demir yolu araçları sahipleri ve demir yolu işletmeleri arasında el değiştirdiğinde anomali algılama şu anda manuel olarak yapılıyor. Buna ISO 2859 ve Yük Vagonlarının Kullanımına İlişkin Genel Sözleşme kapsamında tanımlanan rastgele örnekleme denetimleri de dâhil; bu denetimler TrainVision'ın algılama yetenekleri için doğal bir sonraki kullanım alanı oluşturuyor.
Görüntü yapay zekâsının demir yolu ve ulaşım operasyonlarını nasıl dönüştürebileceğini merak ediyor musun? Başlamak için Ultralytics'in sektör çözümlerini keşfet, lisanslama seçeneklerimizi incele veya GitHub depomuza göz at.
