Przemysł kolejowy wymaga regularnych inspekcji torów, aby zapewnić bezpieczeństwo ruchu. Jednak tradycyjne metody oparte na fizycznym udziale inspektorów są nie tylko niebezpieczne, ale również nieefektywne i czasochłonne. W dobie kolei wysokich prędkości konieczne stało się opracowanie innowacyjnego systemu, który pozwoli na automatyczne wykrywanie uszkodzeń podkładów kolejowych, takich jak pęknięcia czy ukruszenia. Klient potrzebował systemu, który nie tylko zidentyfikuje defekty, ale także zminimalizuje liczbę błędów klasyfikacyjnych oraz będzie działać w różnych warunkach pogodowych i oświetleniowych. Ważnym aspektem była również optymalizacja procesu analizy obrazu, aby zapewnić szybkość i dokładność detekcji.

Stworzyliśmy zaawansowany system inspekcji oparty na sztucznej inteligencji, który wykorzystuje wideo rejestrowane przez kamerę liniową w celu analizy stanu podkładów kolejowych. Kluczowym elementem systemu jest sieć neuronowa odpowiedzialna za wstępną analizę obrazów pod kątem wykrywania uszkodzeń. W pierwszym etapie przetwarzania obrazu system przygotowuje obrazy i segmentuje podkłady ze względu na ich kluczowe charakterystyki, co pozwala na wyeliminowanie szumów i skupienie się na istotnych elementach. W kolejnym kroku, zestaw odpowiednio przygotowanych modeli machine learning analizuje obrazy w celu wykrycia defektów, takich jak pęknięcia czy ukruszenia, a następnie klasyfikuje je pod względem ich skali i potencjalnego wpływu na bezpieczeństwo torów kolejowych.
Skorzystaliśmy z wielowymiarowej optymalizację granic decyzyjnych dla zredukowania liczby fałszywych alarmów, co znacznie poprawia skuteczność systemu. Wykorzystaliśmy również technikę Explainable AI (XAI), która pozwala na lepsze zrozumienie, jakie cechy obrazu wpływają na decyzje modelu i uniknięcie skupienia się modelu na nieistotnych artefaktach.

System detekcji uszkodzeń podkładów kolejowych został skutecznie wdrożony, spełniając oczekiwania klienta i znacznie poprawiając efektywność inspekcji torów. Wdrożony system przyczynił się do poprawy bezpieczeństwa oraz obniżenia kosztów związanych z manualnymi inspekcjami, eliminując konieczność pracy inspektorów na torach.
Rozwiązanie zostało także zaprezentowane podczas konferencji Machine Learning Week w Berlinie, gdzie spotkało się z dużym zainteresowaniem.

Pracę nad systemem rozpoczęliśmy od analizy obszernej bazy obrazów podkładów kolejowych, obejmującej zdjęcia zarówno uszkodzonych, jak i nienaruszonych elementów. W kolejnym etapie opracowaliśmy i zoptymalizowaliśmy sieć neuronową do ekstrakcji kluczowych cech obrazów. Następnie na odpowiednio dobranych próbkach konstrukcyjnych zbudowaliśmy modele boosted trees, które umożliwiły klasyfikację defektów. Wdrożenie Explainable AI pozwoliło na ocenę, jakie cechy wizualne mają kluczowy wpływ na wykrywanie uszkodzeń, co dodatkowo poprawiło precyzję systemu. W końcowym etapie przeprowadziliśmy walidację modelu na różnorodnych zbiorach danych oraz przygotowaliśmy system do integracji z infrastrukturą klienta.

Do analizy obrazu wykorzystaliśmy zaawansowaną sieć neuronową, która odpowiada za segmentację obrazu oraz identyfikację uszkodzeń. Proces ekstrakcji cech bazował na filtrach podkreślających istotne elementy obrazu przy jednoczesnej redukcji szumów. W celu klasyfikacji defektów wdrożyliśmy zestaw modeli boosted trees, które zostały zoptymalizowane poprzez wielopoziomowe dostrajanie progów decyzyjnych oraz hiperparametrów. Walidacja systemu obejmowała wykorzystanie metod Explainable AI (XAI), wizualną inspekcję błędnie sklasyfikowanych obrazów oraz testowanie w różnorodnych warunkach oświetleniowych.