Klacci 凱樂奇交通運輸業解決方案
機器學習和自動影像辨識。 這些是 CQM 為檢查火車軌道智慧的影像應用所用的成分。 自學系統可以自動檢測軌道上的缺陷，因此只有 20% 的影像需要被人們檢視。 除了效率，這也帶來了改進的維護，從而提高了軌道安全性和可用性。 還有一件事：演算法不會眨眼。
檢查是 VolkerRail（一家 VolkerWessels 公司）的一個部門，專門從事基礎設施監控。 對於 ProRail，該公司檢查了荷蘭大約一半的鐵路路線。 其中一部分涉及對軌道和點的檢查。 此前，這是由那些在軌道上行走進行檢查的人完成的。 這是一項危險的工作，這就是為什麼 ProRail 要求所有承包商，使用檢查列車進行檢查。 檢查站也有這些檢查列車之一，很快就會有第二列，包括每半米拍攝軌道照片的攝影機。 軌道的每個部分每 6-10 周，都會以這種方式檢查一次。 這產生了大量影像，檢查人員必須檢視這些影像。 密集而單調的工作，但必須以最精確的方式進行。 正如 Inspectation 的商業顧問 Clemens Schoone 所說：「你幾乎不能眨眼，否則你會錯過一些東西。」
概念驗證（PoC, Proof of Concept）
CQM 為 ProRail 開發了一個檢查列車規劃系統，正是檢查列車產生的許多影像，激發了前 CQM 高階顧問 Huub van den Broek 將檢查過程自動化。 「在 CQM，我們對影像辨識和機器學習的結合非常熱情。 檢查中的影像檢查，是將這種組合的力量付諸實踐的理想專案。」
Clemens 熱衷於在概念驗證方面進行合作。 「偵測列車的絕大多數影像並不包含所謂的『蹲伏（squats）』（軌道損壞的情況）。因此，手動查看這些圖像不僅非常費力，而且基本上沒有必要。如果可以利用現代技術，以可靠的方式實現自動化，那麼我們就想利用這一點。」
最先進的
檢查已經為其檢查列車配備了最先進的攝影機系統，使其處於該行業的前沿。Huub 解釋說：「這意味著影像非常出色，並提供高品質的資料集，這是機器學習的絕對必要條件。」 「更重要的是，谷歌最近釋出了一個深度學習工具包，該工具包在 2017 年擊敗了複雜棋盤遊戲 Go 的世界冠軍。在 CQM，我們把這個 TensorFlow 工具包用於檢查。 此外，我們還獲得了最新的硬體，可以處理許多高解析度影像和複雜的數學運算。 我們用這個來訓練系統，在各個階段，以辨識蹲點。 然後，我們與檢查專家合作，進行了大量測試和調整，以逐步改進系統。 我們手動做了這件事，但演算法的持續完善很快就會由自學系統自動完成。」
從那時起，CQM 在概念驗證階段，令人信服地證明了該系統工作，該演算法現已納入現有的檢查辨識應用中。Huub 解釋說：「檢查員仍然看到相同的圖片，並使用可信的方法檢查它們，但在同一影像中，他們現在也看到了由我們的演算法控制的圖表。 該圖表顯示了所有可能的深蹲。 目前，該系統幾乎可以完美地辨識蹲下。 我們現在正處於微調檢測閾值的階段，並將可能的假陰性和假陽性降到最低。 最終，目標是檢查員只需要檢視系統檢測到可疑標記的圖片。 這意味著大約 80% 的影像可以被跳過。 換句話說，檢查員可以更有效率地完成他們的工作五倍。」
安全
當然，關鍵問題是，當大部分工作由機器完成時，系統是否安全。Clemens 肯定地說：「是的，我現在 100% 相信這一點。」「一台機器可以比人類更準確、更可靠地完成這項工作。CQM 已經證明了這一點。 但顯然，我們將進行隨機檢查，以持續監控品質。20% 的影像仍在被人類檢視，此外還有許多定期技術檢查。」
還有軌道本身，現在也更安全嗎？ 「當然，」Clemens 說。 「由於檢查品質提高了，所以軌道維護水準也提高了。 我們更早地看到新出現的缺陷，如有必要，可以儘早進行干預。 這不僅提高了安全性，還提高了軌道的可用性。 這反過來又意味著由於維護，而減少乘客的干擾。」
藉助這項新技術，Inspectation 目的在成為荷蘭最好的鐵路檢查員，並希望將該系統用於其他類型的軌道檢查。 對於 CQM 來說，該專案為許多其他結合機器學習和影像辨識的應用程式鋪平了道路，例如在醫學界。 正如 Huub 指出的那樣，「一位醫學專家在整個職業生涯中，可能會看到幾千張特定狀況的 X 光片。 想像一下，如果你把世界上所有醫學專家製作的數十億張照片，整合到一個影像辨識和自學系統中......”
0 comments:
張貼留言