Todos os dias, a Swiss Federal Railway (SBB), gere cerca de 15.000 comboios, que transportam cerca de 1.2 milhões de passageiros ao longo de um percurso de 6.437 quilômetros.

Para garantir a segurança da infraestrutura, bem como a segurança dos seus passageiros, a federação ferroviária suíça recorre a “diagnósticos” dos trens que circulam nas linhas (com velocidades que atingem os 160 km/h), equipados com câmeras de elevada resolução e sensores que permitem obter imagens claras do estado das ferrovias.

O processamento dos dados é efetuado em tempo real no comboio que realiza o diagnóstico, havendo uma elevada taxa de falsos positivos e até negativos — dado que se trata de uma análise computacional. Por essa razão, este sistema necessita do auxílio humano. Algumas situações em que por vezes se necessita de pessoas com experiência em atuar em ambientes perigosos.

ATENÇÃO: em breve teremos novidades no Youtube, então não deixe de seguir a gente lá!! Basta acessar este link 😀

Tendo em vista o problema visado, surge o projeto “Railcheck” resultado de uma parceria realizada entre a SBB e CSEM (centro suíço de pesquisa e desenvolvimento), cujos objetivos passam por usar tecnologias Deep Learning (Aprendizagem profunda) no sentido de:

  • melhorar a deteção e a classificação de falhas ocorridas nas vias férreas;
  • minimizar o número de verificações realizadas por ação humana nos locais;
  • minimizar o tempo que os especialistas gastam a resolver falsos positivos.

Primeiramente, a coleta de dados. A SBB plaeja observar 3.800 km de trilhos ferroviários por mês até ao ano de 2020. As imagens capturam diferentes condições climáticas (chuva, neve, gelo).

Em segundo lugar, o pré-processamento, em que o modelo é treinado para detetar situações de interesse (por exemplo, vigas ferroviárias) nas imagens.

A terceira etapa é, a deteção de erros. Para o desenvolvimento desta função, o CSEM usou duas redes neurais rivalizando uma contra a outra. O objetivo desta medida é a formação de clusters dentro da análise de dados. Esses mesmo clusters foram usados para identificar as anomalias nos componentes das linhas ferroviárias.

Achou útil essa informação? Compartilhe com seus amigos! xD

Deixe-nos a sua opinião aqui nos comentários.