Un jeu de données et un réseau de détection d’objets étrangers pour les caténaires ferroviaires électrifiés

Pourquoi les objets étranges sur les fils aériens comptent

Levez les yeux au-dessus d’une voie ferrée électrifiée et vous verrez un réseau de câbles qui fournit discrètement l’énergie aux trains en circulation. Quand des objets étrangers comme des nids d’oiseaux, des sacs en plastique ou des cerfs-volants entraînés par le vent s’emmêlent dans ce maillage, ils peuvent provoquer des pannes électriques, des retards et même des dangers pour la sécurité. Cette étude s’attaque à un problème pratique pour les chemins de fer modernes : apprendre aux ordinateurs à repérer automatiquement ces intrus dangereux avant qu’ils ne causent des dégâts.

Le défi de la protection des lignes électriques aériennes

Le système d’alimentation aérien, appelé caténaire, comprend des poteaux, des fils de contact et des câbles de soutien s’étendant sur des centaines de kilomètres. Avec le temps, les intempéries et l’activité humaine introduisent des objets inattendus sur ces lignes. Nids, ballons et films plastiques peuvent brûler, provoquer des courts-circuits ou tomber sur les trains et les voies. Aujourd’hui, de nombreuses voies reposent encore sur des patrouilles humaines ou sur des opérateurs qui passent en revue des heures de vidéo pour repérer ces dangers. C’est lent, coûteux et facile à manquer, surtout lorsque les objets sont petits, partiellement cachés ou observés par mauvais temps.

Pourquoi la vision par ordinateur classique pêche

Les caméras numériques et l’intelligence artificielle offrent un moyen de surveiller la caténaire en continu, mais les algorithmes grand public peinent dans cet environnement. L’arrière-plan est complexe : pylônes, arbres, bâtiments et fils se superposent selon des motifs déroutants, et les objets étrangers apparaissent souvent comme de minuscules points ou de fines lanières éloignés de la caméra. Les détecteurs classiques à base de réseaux de neurones convolutifs excellent pour repérer des objets nets de taille moyenne, mais leur « champ de vision » est limité et ils peuvent manquer des éléments longs, fins ou distants pendant qu’ils pendent des fils. Les données d’entraînement publiques font aussi défaut, car collecter et partager de vraies images de défauts sur des réseaux en exploitation est difficile.

Constituer une collection d’images réaliste

Pour pallier la pénurie de données, les auteurs ont rassemblé une nouvelle collection d’images spécifiquement centrée sur les objets étrangers le long des lignes ferroviaires électrifiées, appelée RailCatFOD-DS. Elle contient 13 866 images, avec plus de 14 000 objets étiquetés. Le jeu de données se concentre sur deux types de risque majeurs : les nids d’oiseaux et les débris légers, notamment sacs en plastique, films et cerfs-volants. Pour reproduire les conditions difficiles rencontrées sur le terrain, l’équipe est allée au-delà de simples retournements et rotations. Ils ont ajouté de la pluie générée numériquement réaliste, un flou similaire au brouillard, du bruit aléatoire, des variations de luminosité et des occultations artificielles, afin que le modèle apprenne à fonctionner sous une forte pluie, un soleil intense, faible éclairage et des scènes encombrées. Le résultat est une référence exigeante riche en objets petits et partiellement cachés.

Un réseau adapté aux cibles minuscules et retorses

Sur la base de ce jeu de données, les chercheurs ont conçu un système de détection nommé RailCatFOD-Net. Au cœur se trouve une architecture de vision moderne connue sous le nom de Swin Transformer, qui parcourt chaque image par fenêtres chevauchantes et relie des régions éloignées, aidant le modèle à comprendre comment un petit objet se rapporte à la scène globale. Autour de ce noyau, l’équipe a construit deux modules spécialisés. Le premier est une pyramide de caractéristiques à fusion multi-branches, qui mêle l’information des couches fines et détaillées avec des couches plus grossières et globales afin que des objets de tailles très différentes puissent être détectés ensemble. Le second est un module régional axé sur les contours qui élargit la zone de contexte autour de chaque point et aiguise les frontières, en particulier pour les débris longs et filiformes pendus le long des fils.

Performance de la nouvelle approche

Lors des tests sur leur nouveau jeu de données, RailCatFOD-Net a surpassé une série de méthodes de détection bien connues, des modèles basés sur les transformers aux systèmes temps réel populaires comme YOLO. Il a obtenu un score de précision global d’environ 60 % selon une norme d’évaluation stricte, avec des gains marqués pour la détection des petits objets et des formes allongées par rapport aux techniques antérieures. Le système s’est également bien généralisé à un jeu de données public distinct, construit à partir de sources d’images différentes et d’objets étrangers synthétiques, où il s’est à nouveau classé en tête. Des exemples visuels montrent qu’il détecte correctement des nids partiellement cachés, plusieurs objets dans une même scène et des débris sous la pluie, en pleine réverbération ou dans des conditions bruitées où les méthodes concurrentes les manquaient ou déclenchaient de fausses alertes.

Ce que cela signifie pour les voyages en train de demain

Pour le grand public, la conclusion est simple : ce travail rapproche la surveillance ferroviaire automatisée de la réalité. En combinant une collection d’images réaliste et soigneusement préparée avec un réseau de détection adapté aux particularités des lignes électriques aériennes, les auteurs montrent que les ordinateurs peuvent signaler de façon fiable les objets à risque que les humains pourraient négliger. Bien que le système soit encore trop lourd pour les plus petits dispositifs embarqués et s’appuie uniquement sur des images de caméras classiques, son succès suggère que des versions plus intelligentes et plus légères — éventuellement fusionnées avec l’infrarouge ou d’autres capteurs — pourraient un jour surveiller des milliers de kilomètres de voies 24 h/24. Cela signifierait des trajets plus sûrs, moins d’interruptions de service et une maintenance plus efficace pour les chemins de fer électrifiés dans le monde entier.

Citation: 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

Mots-clés: sûreté ferroviaire, vision par ordinateur, détection d’objets, lignes électriques aériennes, surveillance des transports