mtrail 的 TrainVision 将铁路数据收集时间缩短了近 100%

15 年来，mtrail 凭借深厚的行业专业知识和技术解决方案，一直致力于协助铁路和基础设施运营商优化运营流程。借助 TrainVision，mtrail 将这一专业知识转化为基于 Ultralytics YOLO 构建的智能对象识别系统，能够自动化并优化人工流程，实现高效的异常检测以及铁路信息的安全记录和验证。

面临挑战：为什么列车编组数据如此重要#

准确的编组和牵引数据（构成列车的车厢和机车的确切顺序，以及列车长度、重量和牵引详情）对于可靠的排班和客户指引至关重要。铁路运营商必须向中央列车信息系统报告这些数据。

对于客运列车，编组数据通常可以从计划数据中自动生成。但对于施工列车和编组站，通常仍需进行人工录入。这意味着铁路员工必须在活跃的轨道环境中，常常戴着手套，手动记录每节车厢和机车的欧洲车辆编号 (EVN)。这个过程缓慢、容易出错，并带来了真正的安全隐患：工人盯着平板电脑的每一秒，都是对周围轨道注意力减弱的一秒。

TrainVision：针对铁路特定数据的实时识别#

TrainVision 使用机器学习和计算机 vision 来端到端地自动化这一识别过程，在支持当前人工流程的同时，明确了一条通往完全自动化的道路。对于对象检测，TrainVision 依靠 Ultralytics YOLO 精确地在画面中定位 EVN 和危险标志等元素。一旦定位成功，mtrail 自己定制训练的 OCR 和识别系统便会提取特定领域的信息，读取 EVN 本身、识别危险分类或制动标志。

图 1. TrainVision 的实时演示，它利用了针对 EVN 和车厢标记进行定制训练的 Ultralytics YOLO。（私密捕获的图像）。

为了达到此用例要求的准确度，mtrail 将真实世界的图像与内部生成的数百万张合成图像结合起来训练其模型。由于合成过程完全明确且可追溯，生成的图像无需手动标注，这节省了大量时间，使 mtrail 能够在识别出新的真实世界边缘情况（如风化、遮挡、不寻常的光照）时快速重新训练模型。

TrainVision 并非单一的、千篇一律的模型。针对每个目标平台，mtrail 都会构建一个量身定制的、针对该运行时进行优化的特定平台模型。这使得 TrainVision 可以集成到各种部署环境中，从手持移动设备到固定的轨道旁摄像机系统，同时仍然能在仅仅 8–30 毫秒内处理每一张图像。

为什么选择 Ultralytics YOLO？#

对 mtrail 而言，检测速度和边缘部署是不可妥协的要求。TrainVision 需要不仅能在数据中心中，还能在现场的移动设备上以及为每个目标运行时构建的特定平台模型上可靠地运行。

这种性能使 Ultralytics YOLO 成为 TrainVision 对象检测层的基石。YOLO 模型在真实世界的图像上进行训练，以准确地在移动端和固定摄像机部署中定位 EVN 和危险标志等元素。随后，mtrail 自己的 OCR 和识别模型接管特定领域的工作，从 YOLO 已定位的内容中提取详细信息。

客户收益与成果#

通过自动化此前完全依赖人工录入的任务，TrainVision 为铁路运营商带来了可衡量的改进：

• 数据收集时间最多减少 100%，通过消除了现场的手动 EVN 录入。在 Ultralytics YOLO 的帮助下，mtrail 的效率从约 40% 跃升至接近 100%。
• 错误率至少降低 90%，相比手动数据录入。
• 提升了人员安全性，去除了在活跃轨道区域进行手动数据录入的分心因素。
• 固定安装的完全自动化潜力，静态摄像机系统无需人工干预即可验证范围广泛的铁路特定测量点，包括编组、危险品、制动特性、车厢状况和修订日期。

TrainVision 的下一步计划#

如今通常用实体贴纸手动记录的缺陷，现在可以改为通过诸如 TAF-TSI 等标准化接口自动检测并直接输入到欧洲铁路数据平台或维护系统中。将 mtrail 的铁路领域专业知识与这一级别的计算机 vision 相结合，可以进一步提高缺陷检测的效率和质量，并通过用固定系统扩展随机抽样，帮助在整个网络中建立更全面、连续的安全监测。

mtrail 看到安全检查和滚动股票预测性维护方面的巨大进一步潜力。异常检测目前在所有者和铁路企业之间的滚动股票转移期间手动执行，包括 ISO 2859 定义的随机抽样检查以及货车使用总合同，这些是 TrainVision 检测能力的自然下一应用。

对 Vision AI 如何变革铁路和交通运营感兴趣？浏览 Ultralytics 行业解决方案，探索我们的许可选项，或查看 GitHub 仓库以在今天开始使用。