Automatisert kamerabasert inspeksjon av jernbaneinfrastruktur - Image Analysis Railway Infrastructure

A well-functioning and safe railroad is essential in a modern society, especially in urban areas where many people rely entirely on a reliable train service to travel to and from work. One of Bane NOR's tasks is to provide available railway infrastructure. This includes, among other things, rapid detection of incidents that may reduce or cause an interruption in the train traffic. Frequent and efficient inspection and maintenance is essential to ensure a safe and reliable railway. Today, Bane NOR mainly uses manual labor to inspect the railway infrastructure. This often requires stopping of all train traffic in a sufficiently large area around to safeguard the safety of employees and passengers. The vision of this project is to develop automated methods for inspecting railway infrastructure using data from camera, laser scanner and thermal camera together with algorithms for artificial intelligence. These cameras will be attached to trains and drones that can monitor the rail infrastructure without shutting down the train traffic. It also allows you to inspect more regularly and detect changes that may lead to errors at an earlier stage. Inspectors can therefore use their time more efficiently and improve the quality of inspections. The project will be focused on solving inspection tasks related to railway tracks, track switches and the electric power system. Common to all of these tasks is that visual inspection and manual analysis are often used, and that multiple tasks can thus be replaced with automated image interpretation. So far, modern deep learning techniques for object detection and segmentation have been used to recognize different elements of railway infrastructure in pictures taken from train mounted cameras directed at the track bed. Current focus are on fasteners, tracks, sleepers and ballast. Initial results demonstrate potential for image analysis for railway inspection.

En velfungerende og sikker jernbane er helt nødvendig i et moderne samfunn. For at jernbaneinfrastrukturen skal imøtekomme kravene til togtrafikk, samtidig som at sikkerheten opprettholdes, må både skinnegang, sporveksler, strømtilførsel og signalanlegg ha god kvalitet og være godt vedlikeholdt. Prosjekteier Bane NOR bruker i dag i hovedsak manuell arbeidskraft til inspeksjon av jernbaneinfrastruktur, ofte med personell i skinnegangen. Dette krever stans av all togtrafikk for å ivareta sikkerheten til ansatte og passasjerer. Det er spesielt tre tog-faglige inspeksjonsområder hvor behovet er stort for å redusere bruk av personell i skinnegangen (i) inspeksjon av skinnegang, (ii) inspeksjon av sporveksler, og (iii) inspeksjon av kontaktledningssystemet. Visjonen for dette innovasjonsprosjektet er derfor å utvikle en løsning for inspeksjon ved hjelp av kamerabasert datafangst og automatisk bildeanalyse som betydelig effektiviserer inspeksjonen av jernbaneinfrastruktur i form av redusert behov for personell i skinnegang, reduserte personellkostnader og rask og objektiv analyse. Sentrale utfordringer i IARI blir å lage algoritmer som er robuste og som har tilstrekkelig høy ytelse (deteksjons og klassifikasjonsnøyaktig). Vi vil basere metodikken på dyp læring, som har revolusjonert bildeanalyse for flere bruksområder. Forskningsinnsatsen vil være fokusert mot å tilpasse eksisterende generell dyp-lærings-baserte algoritmer til jernbanefaglige formål og å trene disse algoritmene til å gjenkjenne relevante feil, avvik og mangler i henhold til prosjektets mål. Ved et vellykket innovasjonsprosjekt vil Bane NOR implementere automatisk inspeksjon og dataanalyse som en del av den operasjonelle inspeksjonsaktiviteten som allerede foregår, men også investere i innkjøp og innleie av kameraer, droner, datainfrastruktur og datalagring.