mtrail 构建了 TrainVision，这是一套由 Ultralytics YOLO 驱动的离线实时 AI 图像识别系统，可自动检测欧洲车辆编号、危险标志和制动标志，将数据采集时间缩短 40–100%，并将错误减少至少 90%。
15 年来，mtrail 凭借深厚的行业专业知识和技术解决方案，为铁路及基础设施运营商优化运营流程。借助 TrainVision，mtrail 将这些专业经验转化为一套基于 Ultralytics YOLO 构建的智能目标识别系统，实现手动流程的自动化和优化，从而高效检测异常，并安全记录和验证列车信息。
挑战：编组数据为何重要#
准确的编组和牵引数据（列车中车厢和机车的确切顺序，以及列车长度、重量和牵引详情）对于可靠的调度和客户指引至关重要。铁路运营商必须向列车中央信息系统报告这些数据。
客运列车的编组数据通常可以从规划数据中自动得出。但对于工程列车和编组站，通常仍需手动录入。这意味着铁路工作人员必须手动记录每节车厢和每台机车的欧洲车辆编号（EVN），而且通常需要戴着手套在有列车运行的轨道环境中操作。这个过程缓慢、容易出错，还会带来切实的安全风险：工作人员每花一秒钟盯着平板电脑，就会少一秒留意周围轨道环境。
TrainVision：实时识别铁路专属数据#
TrainVision 使用机器学习和计算机视觉实现端到端自动化识别，既能支持目前的人工流程，也为全面自动化铺平道路。在目标检测方面，TrainVision 借助Ultralytics YOLO准确定位画面中的 EVN 和危险标志等元素。定位后，mtrail 自行定制训练的OCR和识别模型会提取领域专属信息，例如读取 EVN 本身、识别危险分类或刹车标志。
图 1. TrainVision 运用 Ultralytics YOLO 的实时演示，模型针对 EVN 和车厢标记进行了定制训练（私人拍摄的图像）。
为了达到此应用场景所需的准确率，mtrail 使用真实图像和内部生成的数百万张合成图像训练模型。由于合成流程经过完整定义且可追溯，生成的图像无需人工标注，这大幅节省了时间，也让 mtrail 在发现新的真实场景边缘案例（风化、遮挡、光线异常）时能够快速重新训练模型。
TrainVision 并不是单一的通用模型。针对每个目标平台，mtrail 都会构建适合该平台并针对其运行时优化的专用模型。这样，TrainVision 就能集成到多种部署环境中，从手持移动设备到固定式轨旁摄像头系统，同时仍能在 8–30 毫秒内处理每张图像。
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 必须能在现场移动设备上可靠运行，而不仅仅是在数据中心运行；针对各目标运行时构建的平台专用模型也必须满足这一要求。
凭借这些性能，Ultralytics YOLO 成为 TrainVision 目标检测层的基础。YOLO 模型通过真实场景图像训练，能够在移动设备和固定摄像头部署中准确定位 EVN、危险标志等元素。随后，mtrail 自有的 OCR 和识别模型负责特定领域的任务，从 YOLO 定位的目标中提取详细信息。
客户收益与成果#
TrainVision 将一项过去完全依赖人工录入的任务自动化，为铁路运营商带来了可量化的改进：
- 数据采集时间最多缩短 100%，因为无需在现场手动录入 EVN。采用 Ultralytics YOLO 后，mtrail 的工作效率从约 40% 提升至接近 100%。
- 错误率至少降低 90%，与手动数据录入相比。
- 提升人员安全，避免工作人员在有列车运行的轨道区域手动录入数据时分心。
- 固定式安装具备全面自动化的潜力，固定摄像头系统无需人工干预，即可验证多种铁路专属测量点，包括编组、危险品、制动特性、车厢状况和检修日期。
TrainVision 的下一步#
如今通常通过实体贴纸手动记录的缺陷，可以改为自动检测，并通过 TAF-TSI 等标准接口直接传输到欧洲铁路数据平台或维护系统。将 mtrail 的铁路领域专业经验与这一水平的计算机视觉相结合，有望进一步提高缺陷检测的效率和质量；通过固定式系统扩展随机抽检，还能帮助在整个网络中建立更全面、持续的安全监控。
mtrail 认为，铁路车辆的安全检查和预测性维护仍有很大发展潜力。目前，铁路车辆在所有权方和铁路运营商之间转移时，异常检测仍由人工完成，其中包括依据 ISO 2859 和《货车使用通用合同》进行的随机抽检；这些都是 TrainVision 检测能力的自然后续应用场景。
想了解视觉 AI 如何改变铁路和交通运输运营吗？探索 Ultralytics 行业解决方案，了解我们的许可选项，或查看 GitHub 代码库，立即开始使用。
