機器視覺自動化火車車頂檢查系統
 |
| 2023 智慧安控解決方案趨勢與商機精彩分享 （<請按此連結） |
鐵路時代，2020 年 9 月問題：無論是軌道結構，還是在其上操作的裝置，肉眼都看不容易看到許多東西。機器視覺技術正日益成為，在潛在缺陷導致故障之前，辨識它們的最佳方式。
ENSCO Rail 業務發展總監 Robert Coakley 說：「部署的各種機器視覺技術，每年檢測到數千種可能導致事故的條件。」他說，與手動目視檢查相比，自動機器視覺具有速度、減少軌道佔用率、檢查頻率和一致性的優勢。該裝置安裝在收入服務列車上，可以以軌道速度進行檢查，不需要額外佔用高鐵車輛。
Coakley 說：「ENSCO 的影像評估流程，以條形圖格式應用一致的標準，和當前的軌道條件，以實現資料趨勢和資料建模。」「這種方法使客戶能夠將一致的標準，應用於影像審查，並進一步允許在多次檢查中評估影像，以建立趨勢資料分析。」
他補充說，ENSCO 使用高解析度攝影機系統，和實用的機器視覺演算法，並應用深度學習等高階影像處理技術，來檢測物體和特徵。 其結果是「高速和高品質的軌道成像系統，為全面的軌道檢查和評估，提供極其可靠的影像採集和處理能力。」
CSX 汽車監控和診斷總監 Kim Bowling 表示，在鐵路方面，她的公司使用兩種型別的機器視覺系統：定向機器視覺和全車成像系統。前者使用「非常最佳化的照明和光學元件，來幫助我們檢視單個元件。我們的全車成像系統被稱為火車檢查入口，今天它使用 17 個攝影機，透過即時的影像，以軌道速度來成像整個火車」她說。
CSX 多式聯運規劃和網路設計總監 Gary Van Tassel 表示，在多式聯運方面，鐵路「在我們的大多數多式聯運網路中，部署了 60 個光學字元辨識入口。這些是一種快速發展的系統 ...... 現在，我們正在捕捉所有攝影機角度 —— 進出終端 —— 並儲存這些角度以辨識損壞。」
Van Tassel 補充說，在起重機自動化方面，CSX 正在使用無數的機器視覺工具，「無論是雷射雷達（光檢測和測距）、雷射還是 OCR（光學特徵辨識）來辨識障礙物，並最終指導我們的自動起重機，這些起重機在自動化狀態下執行約 80%。」
鐵路解決方案公司 Trimble 的 Beena Vision 系列，基於視覺的路邊非接觸式測量和檢查技術，目的在實現對機車車輛狀況的自動化、主動監控，提供可以處理的資料提要，以有效評估從元件級別，到全面列車檢查的機車車輛狀況。解決方案套件包括但不限於：成像單元，用於檢查火車執行時，幾乎所有可見的機車車輛元件；MVA（機器視覺演算法），用於處理和提供與這些影像相關的資訊；以及資料庫和使用者介面，以訪問和檢視帶有短期和長期資訊的資料，用於趨勢和預測。
工程總監 Ken Vilardebo 說：「我們的解決方案目的在捕獲特定元件的資料，根據進行的測量和檢查型別，Trimble Beena Vision 系統使用相關的感測器技術，來確保影像和資料輸出的高品質和準確性。」
它是如何工作的
I 類 BNSF 開始使用機器視覺系統（MVS）及其路邊探測器網路，以減少鐵路裝置事件和服務中斷。具體而言，其機械專家和資料科學家試圖發現，裝置維修的緊迫性趨勢，以顯示何時應該進行維護。技術服務總監約翰·馬丁解釋說，這項技術發揮作用，他使用人工智慧（AI）與 MVS 結合使用，分析裝置影像並辨識小缺陷，以免它們導致更大的問題，如裝置故障。
Martin 說：「隨著電腦處理能力的提高，今天的人工智慧模型已經進步了。」「透過這些進步，我們將 BNSF 的機械影像驅動分析系統（MIDAS）與裝置監控品質系統整合，使我們能夠輕鬆地將 MVS 資訊，與我們 4000 個感測器網路的其他資料交叉引用，這些感測器透過 BNSF 網路監控機車車輛。」
CSX 的鮑林指出，演算法「是幫助我們整理這些影像，並確定正確元件的圖片的關鍵邏輯，然後，它是好的元件還是有缺陷的元件？我們與不同的公司合作，幫助我們建立這些演算法。機器學習（ML）是一種電腦工具，它使用多個影像來幫助訓練模型，並生成演算法。在我們建立模型之前，我們必須有數百張元件的影象。
CSX 的 Van Tassel 補充說，多式聯運在不同但相關的應用中使用了類似的技術。「以門為例，」他說，「當我們實現起重機自動化時，機器正在決定以哪種方式定位貨櫃 —— 顯然，你必須將貨櫃門放置在卡車後部 —— 對於人類操作員來說，這是一個相對快速和簡單的決定，能夠按下按鈕來正確定位它們。我們使用類似的神經網路，我們正在顯示容器正面和門側的數百張（如果不是數千）影像，這些影像的配置略有不同。門有鎖把手和桿，可以進入容器。我們正在向它展示一堆正面和背面的照片。然後演算法出現並開始學習這種配置，允許機器實際重新定位容器，而不是等待人工干預。」
ENSCO 自動緊韌體檢查利用 ML/AI 自動檢測緊韌體和緊韌體狀況。
Coakley 說，ENSCO 應用自主檢查、人工智慧、ML、訊號和影像處理，以及資料分析等先進技術，努力「為鐵路行業提供最好的工具，以確保軌道和機車車輛安全，提高生產力和效率，並降低營運成本。」
ENSCO Rail 的自主軌道幾何測量系統（ATGMS）使用自主軌道檢查感測器和技術。ATGMS 單元安裝在收入服務工具上；然後將資料從收入車輛無線流式傳輸到雲端的伺服器，自動人工智慧演算法在那裡審查資料，過濾掉假陽性，並近即時傳送警報。ENSCO 已經部署了超過 25 個 ATGMS 系統，包括在四條北美一級鐵路上執行的多個系統。自 2020 年 3 月 1 日以來，ENSCO ATGMS 系統已經檢查了超過 34 萬英里，在新冠肺炎大流行期間，當手動檢查是不可能的/不建議時，幫助鐵路維護關鍵的基礎設施。
ENSCO 的自主關節條成像系統（AJBIS）不斷收集聯合條形影像，使用深度學習演算法進行評估。例外情況被辨識出來，並以無線方式流式傳輸到分發客戶警報的雲端。該公司的自主軌道表面成像系統（ARSIS）不斷收集軌道頂部的影像。這些影像使用深度學習演算法進行評估，這些演算法可以辨識過度的表面損壞。ENSCO 的自主軌道元件成像系統（ATCIS）不斷收集軌道床的影像，包括緊韌體和領帶。這些影像使用深度學習演算法進行評估，這些演算法可以辨識缺失/破碎的緊韌體、傾斜或破碎的睡眠者、缺失的軌道錨等。
所有這些技術都辨識異常，並將其無線流式傳輸到雲端，在那裡分發客戶警報。
Trimble Beena Vision 解決方案的 Vilardebo 說：「在使用路邊檢測器應用機器視覺技術時，有三個關鍵階段：影像資料採集、影像和資料處理，以及故障檢測和警報生成。MVS 技術安裝在環境條件可能極端的軌道上和周圍。影像品質和保真度必須獨立於照明、溫度、降水等環境條件，才能成功部署基於視覺的系統。適當的照明是第二個重要因素。在捕獲、標記和儲存影像後，然後部署機器視覺演算法（MVA）來處理影像，並為已辨識的元件建立相關資訊。資料和影像處理的最後階段，是決定哪些 MVA 的輸出，用於建立不同級別的警告和警報。」
Vilardebo 說：「基於 MVA 的警報要麼是即時的、規劃級別的，要麼是基於趨勢的。」「可以立即生成警報，以指示嚴重的故障模式，如耦合器固定故障、損壞的中心窗台或可譴責的車輪。在這些情況下，根據適用的規則，火車可能需要立即停止，以採取緊急糾正措施。在其他不太緊急的情況下，如軸承帽螺栓缺失或卡車彈簧斷裂，火車通常被轉移到更合適的維修地點。規劃級別資訊，是指確定在某些時間範圍內規劃，和執行維護的不太嚴重的條件。例如，這些型別的事件，可以指輕微的結構損壞、汽車上的接地帶缺失或其他「下一個商店」時可以處理的事件。
「基於趨勢的警報，通常是根據相對緩慢變化的資產測量值建立的，其中變化趨勢顯示可能存在故障。基於趨勢的警報通常從資料庫生成，其中所有歷史資料都可以獲得並定期分析。Trimble Beena Visions 系統的警報和警報，可以使用 Trimble 的機器視覺狀態監控資料管理解決方案之一 Trimble® WISE（Wayside Inspection System Environment）或 Trimble® TrainWatch 進行檢視和管理，這些是用於檢測器資料視覺化和分析的複雜軟體應用程式。」
Trimble® WISE 是一個狀態監控資料管理平台，目的在為路邊檢測器資料提供統一的環境。Trimble® TrainWatch 是一個虛擬的火車檢查入口，為列車檢查員提供了一個全面的環境，以使用路邊裝置收集的資料檢查整列火車。Vilardebo 說，TrainWatch 環境中也支援現有的 Trimble 自動檢查演算法，該演算法允許使用自動化演算法管理一些所需的檢查，「使虛擬檢查過程更快」。
Duos Technologies 將根據 130 萬美元的合同，在其現有的鐵路車檢查入口網站（rip®）沿I類網路進行更多的自動機械檢查。
Duos Technologies 機器視覺入口網站。
Duos 稱，升級後的 rip＠系統的目標，是確定可以透過使用 I 類正在開發的人工智慧應用程式來監控和解決的特定鐵路車檢查點，該應用程式將這些應用程式整合到 Duos centraco®指揮和控制軟體平台中，該平台「將來自多個來源的資料和事件，整合到一個統一的分發使用者介面中」。
Rip® 技術由 360° 模組化智慧視覺化系統組成，該系統可拍攝鐵路車廂以高達每小時 120 英里的速度行駛的詳細、即時、全畫面影像。全景圖可以檢測漏油、損壞的部件、開啟的門，以及開啟和缺失的艙口，提醒檢查員注意問題，並向他們展示問題的位置。複雜的演算法也辨識了更複雜的問題。升級目的在當前系統中創造「新視角」，以確定可以透過引導客戶正在開發，並整合到 Duos centraco® 平台人工智慧（AI）應用來監控的特定鐵路車廂檢查點。Duos 表示，期望在成功證明概念後，它將擴充套件到其他地點。
工作計劃在年底前完成。 該合同還包括到 2022 年的定期服務、維護和備件元件的未來付款。
本月早些時候開始在該公司工作的 Duos 執行長 Chuck Ferry 表示，他「期待著發展我們與客戶的關係，並在未來將這一初始升級轉化為額外的系統部署。」Duos為幾條 I 級鐵路提供了 rip® 系統。 例如，到目前為止，CN 已經部署了七個。
何時使用它
Martin 說，BNSF 目前正在其網路的五個地點利用 MIDAS，監控七條主線軌道，以專門辨識破損或破裂的車輪。這些系統每天從大約 250 列火車上捕獲資料，產生超過 65 萬個車輪影像。該系統處理影像軌道，並每天 24 小時將缺陷傳輸到 BNSF 的網路營運中心，允許向其機械團隊發出警報，然後機械團隊審查潛在缺陷的影像並進行必要的維修。
Martin 說：「歸根究底，這些預防系統允許我們的機械團隊在商店進行維修，而不是將汽車從現場退役，這使我們的網路保持了流動性，並減少了服務中斷。」 「我們目前正在將 MIDAS 擴充套件到另外三個地點，併為未來的站點制訂計劃。我們正在不斷開發我們的 MVS 模型，以擴大正在檢查的元件數量。」
CSX 的 Van Tassel 說：「在過去的 15 到 20 年裡，這項技術在貨櫃方面一直在不斷發展，從海洋工業發展到多式聯運。」「最初的系統是被動的，基本上是檢視高解析度影像，並希望捕獲容器編號。隨著技術的發展，它變得越來越不被動。Kim 正在做的事情是積極主動地辨識缺陷。這確實是技術開始發展非常迅速的地方。」
Vilardebo 同意這種做法已經走了很長的路，他說，在硬體和軟體方面，MVS 技術多年來已經成熟。他說：「在硬體方面，攝影機更堅固，具有更高的解析度、更高的幀速率和更靈敏的感測器。」「即使在弱光條件下，這也有幫助，從而獲得更好的檢查結果。照明技術也不斷發展，以提供更持久、更強大的照明選項。在軟體方面，自基於圖形處理單元（GPU）的深度學習上市以來，新演算法激增。使用深度學習演算法，可以更快地完成檢查，準確度要高得多。檢查演算法的這種演變為實現全自動列車檢查的目標鋪平了道路。」
Coakley 補充說，大數據的崛起，有助於提高人們對自主系統的興趣，因為隨著檢查頻率的增加，追蹤數據的增加，以及視覺化和分析數據的新機會。他說：「ENSCO 的影像處理方法，透過將影像轉換為條件指數值，並整合到 ENSCO 鐵路數據分析解決方案中，從而擴充套件了軌道狀況影像的有效性，從而幫助使用者最佳化維護和更新規劃，透過更早辨識軌道缺陷來降低風險，並提高鐵路網路安全。」
未來願景
Vilardebo 認為，隨著鐵路行業的更多營運商開始尋求數位化，以降低成本並簡化流程，數位化措施「將不可避免地導致大量資料量，需要智慧處理和分析，來提供可操作的情報。從資料中獲得可操作的洞察力，是提高整個操作員組織效率，和可靠性的關鍵。透過更快的增強資料準備和上下文關聯，以及智慧分析的應用，可以對資料進行建模，以顯示趨勢和模式，否則這些趨勢和模式將保持隱藏。」
Coakley 補充說，鐵路面臨兩個主要挑戰：在有限的軌道時間內安排關鍵軌道活動，而不影響收入服務，以及在預算範圍內完成。他認為，該領域的更多進步將做到這一點。 他說：「人工智慧和 ML 等先進技術的整合為規劃效率，和顯著的維護成本節約，提供了前所未有的機會。」「透過將這些技術整合到整個資產監控和維護規劃的連續體中，鐵路維修工程師正在實現更好的安全性和減少收入服務中斷。簡而言之，隨著鐵路尋求創造性的方法，以更高效、更準確地完成軌道檢查，減少對營運和預算的影響，對機器視覺和自主技術的需求繼續成長。」
鐵路在船上。
進一步閱讀：
 |
沒有留言:
張貼留言