Ein Datensatz und ein Netzwerk zur Erkennung fremder Objekte an elektrifizierten Bahndrahtanlagen

Warum Fremdkörper an Oberleitungen wichtig sind

Blicken Sie über eine elektrifizierte Bahnlinie und Sie sehen ein Geflecht aus Kabeln, das still und zuverlässig Züge mit Strom versorgt. Wenn Fremdkörper wie Vogelnester, Plastiktüten oder vom Wind getriebene Drachen sich in diesem Geflecht verfangen, können sie Stromausfälle, Verspätungen und sogar Sicherheitsrisiken auslösen. Diese Studie beschäftigt sich mit einem praktischen Problem moderner Bahnbetriebe: Wie bringt man Computern bei, diese gefährlichen Eindringlinge automatisch zu erkennen, bevor sie Schaden anrichten?

Das Problem, Oberleitungen sicher zu halten

Das Oberleitungssystem, die sogenannte Fahrleitung, umfasst Masten, Schleifleitungen und tragende Kabel, die sich über Hunderte Kilometer erstrecken. Im Lauf der Zeit bringen Wetter und menschliche Einflüsse unerwartete Objekte auf diese Leitungen. Nester, Ballons und Kunststofffolien können brennen, Kurzschlüsse verursachen oder auf Züge und Gleise fallen. Heute verlassen sich viele Bahnen noch auf Fußpatrouillen oder Mitarbeiter, die Stunden von Videoaufnahmen durchsuchen, um solche Gefahren zu finden. Das ist langsam, teuer und leicht fehleranfällig, besonders wenn Objekte klein, halb verdeckt oder bei schlechtem Wetter zu sehen sind.

Warum herkömmliche Computer-Vision versagt

Digitalkameras und Künstliche Intelligenz bieten einen Weg, die Fahrleitung kontinuierlich zu überwachen, doch Standardalgorithmen tun sich in diesem Umfeld schwer. Der Hintergrund ist komplex: Masten, Bäume, Gebäude und Drähte überlagern sich in verwirrenden Mustern, und Fremdkörper erscheinen oft als winzige Punkte oder dünne Streifen weit entfernt von der Kamera. Klassische Deep-Learning-Detektoren auf Basis von Convolutional Neural Networks erkennen klare, mittelgroße Objekte gut, haben jedoch ein begrenztes „Sichtfeld“ und können lange, dünne oder entfernte Gegenstände, die an den Leitungen hängen, übersehen. Öffentlich verfügbare Trainingsdaten sind ebenfalls knapp, weil das Sammeln und Teilen echter Störfallbilder aus dem laufenden Bahnbetrieb schwierig ist.

Aufbau einer realistischen Bildsammlung

Um dem Mangel an Daten zu begegnen, stellten die Autoren eine neue Bildsammlung zusammen, die sich gezielt auf Fremdkörper an elektrifizierten Bahnlinien konzentriert: RailCatFOD-DS. Sie enthält 13.866 Bilder mit mehr als 14.000 annotierten Objekten. Der Datensatz fokussiert auf zwei Haupt-Risikotypen: Vogelnester und leichte Trümmer, darunter Plastiktüten, Folien und Drachen. Um die harten Bedingungen vor Ort nachzuahmen, gingen die Forscher über einfache Spiegelungen und Drehungen hinaus. Sie fügten realistische, computergenerierte Regen- und Nebelverwischungen, zufälliges Rauschen, Helligkeitsänderungen und künstliche Verdeckungen hinzu, damit das Modell in starkem Regen, hellem Sonnenschein, schlechter Beleuchtung und unübersichtlichen Szenen lernen kann. Das Ergebnis ist ein anspruchsvolles Benchmark mit vielen kleinen, teilweise verdeckten Objekten.

Ein Netzwerk abgestimmt auf winzige, schwierige Ziele

Auf Basis dieses Datensatzes entwickelten die Forscher ein Erkennungssystem namens RailCatFOD-Net. Im Kern steht eine moderne Vision-Architektur, bekannt als Swin Transformer, die jedes Bild in überlappenden Fenstern scannt und entfernte Bereiche miteinander verknüpft, sodass das Modell verstehen kann, wie ein kleines Objekt in die größere Szene passt. Um diesen Kern herum bauten die Autoren zwei spezialisierte Module. Das eine ist eine mehrzweigige Fusions-Feature-Pyramide, die Informationen aus feinen, detailreichen Schichten mit gröberen, globaleren Schichten verschmilzt, sodass Objekte sehr unterschiedlicher Größe gemeinsam erkannt werden können. Das andere ist ein regionales, kantenfokussiertes Modul, das den Kontextbereich um jeden Punkt erweitert und Kanten schärft, insbesondere bei langen, fadenförmigen Trümmern, die an den Leitungen hängen.

Wie gut der neue Ansatz abschneidet

Getestet auf dem neuen Datensatz übertraf RailCatFOD-Net eine Reihe bekannter Erkennungsverfahren, von transformerbasierten Modellen bis zu beliebten Echtzeitsystemen wie YOLO. Es erzielte unter einer strengen Bewertungsnorm eine Gesamtgenauigkeit von etwa 60 % und zeigte deutliche Verbesserungen beim Finden kleiner Objekte und länglicher Formen im Vergleich zu früheren Techniken. Das System generalisierte außerdem gut auf einen separaten öffentlichen Datensatz, der mit anderen Bildquellen und synthetischen Fremdkörpern aufgebaut wurde, und belegte dort ebenfalls Spitzenpositionen. Visuelle Beispiele zeigen, dass es teilweise verdeckte Nester, mehrere Objekte in einer Szene und Trümmer bei Regen, Blendung und verrauschten Bedingungen korrekt erkennt, wo Konkurrenzmethoden sie entweder übersehen oder Fehlalarme auslösen.

Was das für die Zukunft des Zugverkehrs bedeutet

Für Nicht-Spezialisten ist die Quintessenz klar: Diese Arbeit bringt die automatisierte Bahnüberwachung einen Schritt näher zur Praxis. Durch die Kombination einer realistischen, sorgfältig aufbereiteten Bildsammlung mit einem Erkennungsnetz, das auf die Besonderheiten von Oberleitungen zugeschnitten ist, zeigen die Autoren, dass Computer zuverlässig risikobehaftete Objekte melden können, die Menschen übersehen könnten. Zwar ist das System noch zu rechenintensiv für die kleinsten Bordgeräte und stützt sich derzeit nur auf reguläre Kamerabilder, doch sein Erfolg legt nahe, dass schlankere, intelligentere Varianten — möglicherweise in Kombination mit Infrarot- oder anderen Sensoren — eines Tages rund um die Uhr Tausende Kilometer Strecke überwachen könnten. Das würde sicherere Fahrten, weniger Betriebsunterbrechungen und effizientere Instandhaltung für elektrifizierte Bahnen weltweit bedeuten.

Zitation: Li, F., Cao, J., Yang, H. et al. A foreign object detection dataset and network for electrified railway catenary systems. Sci Rep 16, 9104 (2026). https://doi.org/10.1038/s41598-026-39129-8

Schlüsselwörter: Eisenbahnsicherheit, Computer Vision, Objekterkennung, Oberleitungen, Verkehrsüberwachung