Надежный мониторинг находящихся в эксплуатации компонентов вагонов в реальном времени расширит возможности для планирования технического обслуживания. Самое главное это позволит повысить безопасность будущей железнодорожной отрасли.
Ассоциации всемирных железных дорог Rail-World-Industry, совместно с центром транспортных технологий помогает железнодорожным операторам в разработке технологий машинного зрения и связанных с этим алгоритмов для оценки состояния компонентов вагонов. Чтобы повысить безопасность и снизить риски, связанные с пропуском железнодорожных служб повреждений на вагонах, способных привести к аварийным ситуациям.
Используя коммерчески доступные системные платформы глубокого обучения, инженеры разработали и продемонстрировали три приложения на основе нейронных сетей для анализа визуальных изображений элементов вагонов. Нейронная сеть использует алгоритмы машинного обучения для анализа цифровых изображений, которые поступают в момент прохождения вагонов по диагностической ленте. Сейчас специалисты железно дороги делают обход и визуальный осмотр всех вагонов поезда, на что требуется много времени и самое главное это не исключает человеческий фактор. Очень часто специалисты получают слепые пятна при осмотре, мозг упрощает картинку, стоит человек задуматься о чем-то другом, и диагностика становится не эффективной. Искусственный интеллект получил образование на основе 1 миллиона снимков с различными дефектами, загруженных в его базу данных. Теперь он с легкостью может обнаружить дефекты, которые способны вызвать неисправность подвижного состава. При этом скорость обнаружения превышает человеческую в десятки раз.
Хотя конечно технология не осталась без своих минусов, главный из которых это необходимость парковки состава в специализированном диагностическом депо и предварительная тщательная мойка всех вагонных элементов. Так же технология не способна диагностировать подвижные элементы, например гидравлические амортизаторы, изображение которых не даст ни чего искусственному интеллекту, если накрылась гидравлика без видимых повреждений.
Нейронную сеть необходимо обучить распознавать и классифицировать данные.
Это обучение выполняется «на примере» и требует три компонента:
1) выборки изображений, представляющих тот тип, который, как ожидается, будет идентифицироваться
2) заданный желаемый результат, когда сеть распознает - или не распознает - определенные объекты на каждом из этих изображений.
3) изображения JPEG с разрешением 2048 × 2048 для разработки (не менее 10 000 на проблему)
В платформе, используемой для демонстрации этого приложения, пользователи должны маркировать несколько изображений по мере их первоначальной загрузки. Когда будет помечено достаточное количество изображений, автоматизированный процесс системы может взять и завершить задачу раньше пользователя. Для каждого разработанного приложения автоматизированный процесс произвольно выбирал 75% изображений, используемых в качестве обучающей выборки. Остальные 25% изображений не использовались в качестве набора для проверки, а использовались позже для оценки точности.
Например, диагностика пружин, там точность достигала 97% просто по причине достаточно простого нахождения повреждения по изображению. При этом точность могла бы достигать 100%, если бы не давала погрешность в 3% плохая отчистка от грязи вагонов.
