Стрелочный перевод или стрелочный перевод - это механическая установка, позволяющая направлять железнодорожные поезда с одного пути на другой, например, на железнодорожном узле или там, где ответвляются подъездные пути или подъездные пути. Переключатель состоит из пары связанных сужающихся рельсов, известных как точки (рельсы переключателя или остроконечные лезвия), лежащих между расходящимися внешними рельсами (рельсы приклада). Эти точки можно переместить в одну из двух позиций, чтобы направить поезд, идущий от остроконечных лопастей, по прямой или расходящейся траектории. Поезд, движущийся от узкого конца к острие лопастей (т.е. он будет направлен на один из двух путей в зависимости от положения точек), как говорят, выполняет движение по направлению к острию. Если переключатель не заблокирован, поезд, идущий из любого из сходящихся направлений, пройдет через точки на узкий конец, независимо от положения точек, поскольку колеса транспортного средства заставят точки двигаться. Переход через переключатель в этом направлении известен как движение конечной точки.

Сиамские сети - это сверточные нейронные сети, которые сопоставляют входное пространство (массив изображений) с векторным пространством, которое пытается захватить внутренние шаблоны в изображении. Сравнение этих векторных пространств, созданных из двух изображений с использованием одной и той же сети (одинаковой структуры и одинаковых весов), дает нам меру сходства между двумя изображениями. Эта концепция используется для разработки моделей One-Shot Detector, которые можно изучить на ограниченных примерах. Вместо обычных сверточных нейронных сетей - эти одноразовые детекторные сети можно обучать с ограниченными данными обучения. Конечная цель состоит не в том, чтобы точно классифицировать изображение, а в том, чтобы извлечь векторное представление, которое дает хорошее представление о сходстве изображения с некоторым установленным эталоном.

Применение к проблеме обнаружения трека

Современные локомотивы оснащены видеокамерой высокого разрешения, которая непрерывно записывает видео с треков. Ниже приведен образец этого видео, полученного с помощью системы LocoVISION компании GE Transportation. В системе есть специально разработанная HD-камера, которая учитывает вибрации поезда и записывает устойчивое изображение.

Видео обычно собираются со скоростью 30 кадров в секунду. Таким образом, каждую секунду у нас будет 30 изображений, которые мы можем анализировать. Однако во время анализа реального мира мы можем решить использовать более низкую частоту анализа - в диапазоне 5 или 10 кадров в секунду. Это потому, что даже на скорости 200 миль в час мы сможем покрыть большую часть трека со скоростью 10 кадров в секунду. Кроме того, это снизит нашу потребность в вычислительной мощности в случае, если этот анализ будет выполняться на Edge, то есть на бортовом компьютере локомотива.

Другой вариант - периодически загружать эти видео в облако с помощью Wi-Fi - когда поезд приближается к региону с хорошим подключением к Wi-Fi, например, ярдам или станциям. В это время выполняется массовая загрузка, и после того, как данные загружаются в облако, выполняется анализ. Модели глубокого обучения развертываются в облаке и могут выполняться в кластере процессоров или графических процессоров. Распараллеливание помогает нам повысить производительность и вовремя получить полезные сведения.

Сбор данных для обучения

Мы сэмплируем изображение, чтобы получить только Дорожку в качестве интересующей области. Используя видео, мы берем несколько образцов Дорожки, как показано на рисунке ниже. Эти образцы служат обучающими образами для сети. Мы собираем около 500 образцов из видео из разных регионов, где курсируют поезда.
Мы будем собирать изображения с выбранным треком в качестве области интереса и помечать их как «Позитивные». Мы собираем изображения при разном освещении в разное время дня. Теперь мы используем эти обучающие изображения для обучения сети. Изображения, показанные слева, показывают трек и будут рассматриваться как положительные для нашего тематического исследования. Они содержат трек.

Теперь мы собираем изображения из другого раздела видео и рассматриваем их как негативы для нашего обучения, поскольку они не содержат дорожку.

Создание сиамской сети

Сиамская сеть использует 2 сверточные сети с одинаковой структурой и весом. Здесь мы объясним метод, используемый для нашей конкретной проблемы - могут быть другие / лучшие варианты для реализации сиамских сетей. Мы ни в коем случае не претендуем на звание лучшего.

На рисунке ниже показана структура сиамской сети, которую мы используем.

Мы выбираем изображения с лучшими железнодорожными путями в качестве ориентира. Мы сравним изображения треков с эталонными изображениями и спрогнозируем, насколько они различаются, и выделим те, которые имеют существенное различие, как аномалии. Мы не предсказываем, почему они разные, а только то, что они значительно отличаются от тестов.

Собранные нами изображения как позитивные, так и негативные, используются для обучения сети. Мы берем каждый тест, поочередно комбинируем с положительными и отрицательными выборками и отправляем кортеж в качестве обучающего примера. Мы добавляем метку для обучающего примера как 0 или 1, что указывает на евклидово расстояние с эталонными изображениями. В нашем случае - 0 указывает на высокое сходство, а 1 указывает на максимальное расстояние и, следовательно, очень разные изображения. Здесь мы даем 0 как метку для наших позитивных изображений, а для негативов мы даем метку как 1.

Обучаем модель с точностью 95%. Теперь, когда мы загружаем новое изображение в сеть и сравниваем с эталонным изображением, оно выводит значение от 0 до 1 в зависимости от наличия дорожки. Мы обнаружили, что эта сеть может обнаруживать аномалии на Дорожке - все, что не похоже на Дорожку. Это включает в себя любую часть пути, которая выглядит иначе, как переход дороги, переключатели, свободный балласт и т. Д.

Ниже приведены примеры некоторых изображений, которые были обнаружены сетью как аномалии.

На рисунке ниже показано, как система работает после развертывания. Мы проанализируем изображения дорожек, выберем область дорожек и подадим изображения дорожек в сеть. Сеть проанализирует их и выделит существенные различия - затем они должны быть проанализированы людьми, чтобы выяснить, являются ли они настоящими аномалиями.

Если система должна быть развернута в новом регионе или местности - это существенные различия в том, как выглядят треки и ландшафты. Например, железнодорожный путь в Индии существенно отличается от аналогичного в США. В таких случаях - мы собираем несколько сотен изображений из нового видео местности и повторно обучаем модель, чтобы начать поиск аномалий.

ВЫВОД

Мы видели использование сиамской нейронной сети для обучения работе с изображениями железнодорожных путей и обучение предсказанию изображений, которые «выглядят» иначе, чем обычные изображения железнодорожных путей. Эта сеть теперь может начать анализировать данные в реальном времени с видеокамеры Train, собираемые со скоростью 30 кадров в секунду, и предупреждать о наличии аномалий, таких как переходы дорог, переключатели и т. Д.

По сравнению с обычными сетями глубокого обучения - это очень легкая сеть. Кроме того, когда мы переезжаем в новый регион, треки могут сильно отличаться. Здесь мы можем собрать несколько обучающих примеров нового трека и повторно обучить модель региона. Затем он начнет обнаруживать аномалии для нового региона.

Ниже перечислены основные преимущества этого подхода:

  • Производительность: модель с малым размером - может работать в Edge или Cloud.
  • Масштаб: обнаруживайте новые типы аномалий, а не только те, для которых его обучают.
  • Расширяемость: можно легко переобучить на нескольких изображениях из новой дорожки / региона.

ИСПОЛЬЗОВАННАЯ ЛИТЕРАТУРА

АВТОРЫ