Железнодорожные компании все больше инвестируют в системы видеонаблюдения, чтобы обеспечить безопасность поездов, вокзалов и пассажиров.
Помимо обнаружения опасности, камеры могут использоваться для множества других целей, от наблюдения за пассажирами до предотвращения вандализма. Все это сегодня стало возможно благодаря технологии машинного зрения. Тем не менее, до сих пор существуют проблемы.
В двух словах.
Машинное зрение позволяет компьютерам распознавать и оценивать объекты на изображениях или видеопотоках. Видео снятое камерами, которые установлены в определенных местах, обрабатывается моделями машинного обучения (ML).
Существуют два различных подхода к выполнению этих ML-моделей:
- Необработанные видеопотоки отправляются в облако, где серверы распознают объекты.
- Необработанные видеопотоки обрабатываются локально.
Благодаря технологии машинного зрения стало возможным предоставление целого ряда инновационных услуг, которые повышают общую эффективность и безопасность железнодорожных перевозок. Существуют 2 основные тенденции и 4 проблемы в данном направлении.
Машинное зрение в железнодорожной отрасли: 2 тенденции.
Сегодня машинное зрение широко используется в промышленности для оптимизации качества, точности, безопасности и пропускной способности. В последние годы железнодорожная отрасль начала проявлять интерес к машинному зрению для улучшения своих услуг.
Это обусловлено двумя тенденциями:
1. С одной стороны, значительно увеличилось количество камер видеонаблюдения в поездах. В вагонах новых поездов обычно установлено четыре камеры: по две в каждом купе с видом на все сиденья и по одной у каждой двери.
2. С другой стороны, в области искусственного интеллекта и машинного обучения достигнуты значительные успехи, что создает множество новых возможностей для машинного зрения в железнодорожной отрасли (например, поиск и нахождение определенных событий). Более того, чтобы снизить растущий спрос на пропускную способность в системах видеонаблюдения, ИИ и машинное обучение выполняются локально. Это позволяет передавать только релевантную информацию, а не весь необработанный видеопоток, что более эффективно и экономично.
Технические проблемы в железнодорожной отрасли.
Однако прежде чем внедрять машинное зрение в железнодорожные системы, необходимо преодолеть ряд сложных препятствий.
1. Увеличение пропускной способности.
Нормативные акты постоянно повышают требования к системам машинного зрения, которым должны соответствовать операторы поездов. Разрешение, частота кадров и кодирование видеоматериалов развиваются, поэтому пропускная способность, которую должны обрабатывать системы, быстро растет. Кроме того, чем больше устройств находится в поезде, тем больше данных генерируется.
Переслать и обработать все эти данные в движущемся транспортном средстве без стабильного интернет-соединения не так-то просто. Поэтому для раскрытия потенциала инновационных услуг машинного зрения необходимы эффективные, легкие модели ИИ и их реализация.
2. Позиционирование камер.
Кроме количества камер, проблема заключается и в их расположении. Из-за низких потолков и высоких спинок сидений многие объекты снимаются под косыми углами, что затрудняет работу традиционных моделей ИИ и ОД, которые обычно настроены на распознавание объектов в полный рост. Следовательно, для эффективного распознавания объектов в вагонах поезда модели ИИ необходимо адаптировать.
3. Освещение.
Наконец, серьезной проблемой также является освещение. Большинство алгоритмов лучше работают при хорошем освещении на открытых пространствах. А поездах какие-то части помещения освещены хорошо, а другие - находиться в тени. Такой широкий динамический диапазон на одном изображении представляет собой серьезную проблему для современных моделей распознавания изображений.
4. Конфиденциальность данных.
Наконец, социальные и политические аспекты также замедляют совершенствование систем машинного зрения. Основной проблемой здесь является регулирование конфиденциальности, так как в каждой стране действуют разные законы в области защиты данных. Это, в свою очередь, влияет на возможности решений машинного зрения.
Множество возможностей.
Наиболее перспективные приложения машинного зрения для железнодорожной отрасли:
1. Отслеживание занятости.
Железнодорожные компании постоянно ищут наилучший способ получения информации о заполненности поездов. Алгоритмы машинного зрения в сочетании с камерами видеонаблюдения предлагают надежное решение для подсчета пассажиров. Камеры видеонаблюдения более эффективны, чем дверные счетчики, поскольку им не нужно интегрировать подсчет во времени, и они могут произвести новый подсчет в любой момент.
2. Мониторинг поездок.
Мониторинг поездок - это более продвинутая форма отслеживания, которая предоставляет железнодорожным компаниям ценную информацию о поведении пассажиров. Собирая данные о продолжительности поездки, местах посадки и высадки, профилях пассажиров и других факторах, железнодорожные компании могут получить полное представление о поведении пассажиров и принять обоснованные решения для повышения качества предоставляемых услуг.
3. Обнаружение вандализма.
Камеры - важное оружие в борьбе с вандализмом в вагонах поездов. Обнаружив подозрительные действия, они изображение мгновенно отправляется оператору для просмотра. Это позволяет быстро оценить инцидент и определить, является ли он настоящим актом вандализмом. Кроме того, многие современные камеры оснащены встроенным микрофоном, что позволяет выявлять случаи словесной и физической агрессии. Все эти функции помогают обеспечить безопасную среду и быстро реагировать на любые инциденты.
4. Эксплуатационные характеристики.
Камеры также могут играть важную роль в мониторинге состояния поездов, позволяя выявлять неисправности и необходимость технического обслуживания. Например, камеры могут обнаружить неисправные двери, мусор, поврежденные окна и экраны. Такая информация позволяет быстро решить проблемы, тем самым обеспечить безопасную и комфортную поездку. Благодаря мониторингу поезда в режиме реального времени железнодорожные компании могут применять проактивный подход к техническому обслуживанию и повышать общую надежность своих поездов.
5. Идентификация брошенного багажа.
Идентификация брошенного багажа в поездах является реальной проблемой безопасности. Однако эта задача может быть надежно решена только путем идентификации каждой единицы багажа с его владельцем и последующей проверки того, вышел ли владелец из поезда со своим багажом. Анализируя видеозаписи с нескольких камер, алгоритмы искусственного интеллекта могут точно определить, был ли у пассажира багаж во время посадке и забрал ли он его с собой при выходе из вагона. Эта технология может значительно повысить безопасность пассажиров, быстро выявляя любые потенциальные угрозы безопасности.