Skip to main content

硬件平台

利用基于人工智能的计算机视觉重新定义铁路检查

人工智能计算机视觉

铁路是连接世界基础设施的大动脉。尽管铁路在全球运输和供应链中发挥着至关重要的作用,但大多数铁路养护工作都是从人工巡检员开始的。

为了找出损坏的枕木和铁轨,巡检员每天沿铁路线步行或驱车数英里,探查隐患。手动检查美国 160,000 英里的铁轨所需的总时间和成本是无法量化的,而且由于检查是由人工进行,因此本质上也很容易出错。

计算机视觉 (CV) 的最新技术成果为自动化铁路巡检带来了新的机遇,在整个流程中显著降低了成本并提高了准确性。但铁路系统从部署环境的高度差异性,到安全关键行业对可信赖解决方案的优先考虑,对计算机视觉系统提出了独特的挑战。

这就是为什么像 Ignitarium(一家产品工程公司)这样的组织正在使用人工智能技术重塑计算机视觉,以解决痛点并减少对人工巡检的需要。

利用基于人工智能的计算机视觉克服基础设施检查的挑战

计算机视觉系统在受控的室内环境下表现出色,铁路系统则与之不同,存在各种照明条件、天气变化和其他不可预测的因素。这些变数可能显著影响计算机视觉系统的性能和准确性。

计算机视觉技术在户外铁路应用中的另一场艰苦战斗正在改变 Ignitarium 首席技术官 Sujeeth Joseph 所说的“行业中非常传统的思维模式”,即铁路专业人士希望使用经过试验和测试的方法,而不是新颖的方法。

这些挑战促成了 Ignitarium TYQ-i 平台的开发,该平台旨在将最出色的经典计算机视觉技术与高级自定义神经网络相结合。最终制定出有效的解决方案,可以检测数英里铁轨上的各种异常情况。

TYQ-i 的运行可分为 4 个阶段:

  • 数据摄取:该平台支持许多视觉传感器,包括 RGB、3D、激光和多光谱接口。Joseph 表示,在铁路行业,2D 摄像头和激光扫描仪是首选传感器。
  • 预处理:Ignitarium 开发了一个图像处理组件库,用于准备数据进行分析。其中包括缩放和旋转等基本操作以及拼接、追踪和降噪等更复杂的任务。
  • 深度学习:TYQ-i 的核心是面向特定用例的自定义人工智能模型。这些模型经过预训练,可以检测各种异常类别,以最少的客户投入提供高水平的准确性和效率。
  • 提供结果:数据经过处理之后,通过人类和机器可读的仪表板和文件提供给用户。这使得该平台能够与现有流程无缝集成,有助于克服采用新技术的阻力。

Joseph 表示,如何利用这些功能的一个例子是铁路道砟——铺设枕木的道床。安装在火车头底部的挂载无人机或摄像头可以使用 TYQ-i 来检测需要补充道砟的区域,以及由于安全或其他操作问题而应避免的区域。然后,该信息将传送至道砟铺设和捣固机,以便其可以仅在适当的区域自动开展维护。

通过 TYQ-i 实现扩展性和灵活性

为了获得 Ignitarium TYQ-i 平台的准确性和可靠性,它最初使用 TensorFlow 和 PyTorch(两种最流行的机器学习和神经网络开源框架)进行了训练。该训练最初是在功能强大的英特尔® CPU 和 GPU 目标上进行的,为平台的人工智能功能提供了坚实的基础。

但为了真正在各种用例中扩展性能,Ignitarium 认识到需要更通用的处理解决方案。这促使我们决定将 TYQ-i 迁移到英特尔® 酷睿 和至强® 处理器。虽然不是常见目标,但英特尔® Arria® 家族高性能 FPGA 上甚至有一个端口。

这些处理器的互操作性有助于公司控制成本。Joseph 解释说,“如果工作负载比较繁重,我们会选择服务器级机器”。但对于较轻的工作负载,该公司使用第 12 代英特尔® 酷睿 处理器等解决方案,该处理器可以通过其内置的英特尔® 核芯显卡的集成显卡处理器 (IGP) 加速人工智能。

迁移到英特尔® 处理器还带来了额外的优势。例如,它使 Ignitarium 能够利用英特尔生态系统强大的软件基础设施,该基础设施提供了广泛的工具和资源来优化性能和效率。

OpenVINO 人工智能工具套件就是这样的工具之一,Ignitarium 使用它来进一步优化 TYQ-i。OpenVINO 旨在促进人工智能应用在边缘的部署,为各种神经网络架构提供支持,并提供一整套用于优化性能的工具。

由于该工具套件支持多种英特尔处理器,Ignitarium 可以选用一个处理器,并且 Joseph 解释说,“代码只需编译并运行即可”。同时,OpenVINO 提供各种工具,帮助开发人员充分利用他们选择的处理器。Joseph 说,“我们利用工具套件可以提供的一切进行优化”。

所有这些功能使 TYQ-i 能够在从边缘设备到基于云的系统的各种环境中运行。在边缘,TYQ-i 可以实时处理数据,提供即时洞察并可实现快速决策。这在低延迟至关重要的情况下尤为实用,例如检测高速铁路线上的缺陷。

对于更大规模的应用,TYQ-i 还可以部署在云端,以支持大量数据并执行更复杂的分析——这是监控大范围铁路网络的实用功能。

这种灵活性使其能够部署在广泛的场景中,使其成为适应性强的基础设施监控解决方案。

基础设施检查的未来就在眼前

铁路巡检行业面临巨大的挑战。从一望无际的铁轨到高度多样化的环境,该行业迫切需要创新的解决方案。Ignitarium 的 TYQ-i 平台融合了人工智能和计算机视觉技术,为这些挑战提供了强有力的应对之策。

TYQ-I 的自定义人工智能模型经过磨练,以最少的客户数据集实现了高性能,提供了一种可以轻松融入现有工作流程的解决方案,消除了对新方案用于老问题的偏见。最终的解决方案赢得了美国各地轨道维护人员的青睐。

展望未来,我们清楚地看到,像 TYQ-i 这样基于人工智能的计算机视觉解决方案,将在基础设施巡检行业转型中发挥至关重要的作用,为所有人提供更出色的准确性、效率和安全性。
 

本文由 insight.tech 的副主编 Christina Cardoza 编辑。

作者简介

Brandon is a long-time contributor to insight.tech going back to its days as Embedded Innovator, with more than a decade of high-tech journalism and media experience in previous roles as Editor-in-Chief of electronics engineering publication Embedded Computing Design, co-host of the Embedded Insiders podcast, and co-chair of live and virtual events such as Industrial IoT University at Sensors Expo and the IoT Device Security Conference. Brandon currently serves as marketing officer for electronic hardware standards organization, PICMG, where he helps evangelize the use of open standards-based technology. Brandon’s coverage focuses on artificial intelligence and machine learning, the Internet of Things, cybersecurity, embedded processors, edge computing, prototyping kits, and safety-critical systems, but extends to any topic of interest to the electronic design community. Drop him a line at techielew@gmail.com, DM him on Twitter @techielew, or connect with him on LinkedIn.

Profile Photo of Brandon Lewis