מאגר נתונים וזיהוי עצמים זרים עבור מערכות חוטי מתח ברכבות חשמליות

מדוע דברים זרים על חוטי המתח חשובים

הביטו מעלה מעל קו רכבת מואר ותראו רשת של כבלים שמספקת שקטה חשמל לקרוניות החולפות. כאשר חפצים זרים כגון קיני ציפורים, שקיות פלסטיק או עפיפוני רוח ננעצים ברשת זו, הם עלולים לגרום להפסקות חשמל, לעיכובים ואף לסיכוני בטיחות. המחקר מתמודד עם בעיה מעשית עבור רכבות מודרניות: כיצד ללמד מחשבים לזהות אוטומטית פלשים מסוכנים אלה, לפני שהם יוצרים בעיות.

האתגר בשמירה על בטיחות חוטי המתח

מערכת המתח העליונה, הנקראת קאטנרי, כוללת עמודים, מוליכי מגע וכבלי תמיכה הפורשים על מאות קילומטרים. עם הזמן מזג אוויר ופעילות אנושית מביאים חפצים בלתי צפויים על הקווים הללו. קינים, בלונים וצלוחות פלסטיק עלולים לבעור, לקצר ציוד או ליפול על רכבות ופסים. כיום רבות מן הרכבות עדיין מסתמכות על סיורים ידניים או על עובדים העיון בשעות של וידאו כדי לחפש סכנות מסוג זה. זה איטי, יקר וקל להחמיץ, במיוחד כאשר העצמים קטנים, מוסתרים חלקית או נראים בתנאי מזג אוויר לקויים.

מדוע ראייה ממוחשבת רגילה לא מספיקה

מצלמות דיגיטליות ובינה מלאכותית מציעות דרך להשגיח על הקאטנרי ברציפות, אך אלגוריתמים סטנדרטיים מתקשים בסביבה הזאת. הרקע מורכב: עמודי חשמל, עצים, מבנים וחוטים חופפים בדפוסים מבלבלים, וחפצים זרים מופיעים לעתים ככתמים זעירים או רצועות דקות מרחוק. גלאי למידה עמוקה קלאסיים מבוססי רשתות קונבולוציה טובים בזיהוי עצמים ברורים ובגודל בינוני, אך יש להם "שדה ראייה" מוגבל והם עלולים לפספס פריטים ארוכים, דקים או מרוחקים התלויים בחוטים. מאגרי אימון ציבוריים גם נדירים, כי איסוף ושיתוף תמונות תקלות אמיתיות מרכבות פעילות קשה.

בניית אוסף תמונות ריאלי

כדי להתגבר על מחסור הנתונים, המחברים ריכזו מאגר תמונות חדש המוקדש במיוחד לעצמים זרים לאורך קווי רכבת מוארכים, שנקרא RailCatFOD-DS. הוא מכיל 13,866 תמונות, עם יותר מ-14,000 עצמים מתוייגים. המאגר מתמקד בשני סוגי סיכון עיקריים: קיני ציפורים ופסולת קלה, לרבות שקיות פלסטיק, סרטים ועפיפונים. כדי לדמות את התנאים הקשים שבשטח, הצוות עשה יותר מאשר החלפות וסיבובים פשוטים. הם הוסיפו גשם שנוצר במחשב ברמת ריאליזם, טשטוש בדמיון ערפילי, רעש אקראי, שינויים בהירות והחסרות מלאכותיות, כדי שהמודל ילמד לפעול בגשם כבד, שמש חזקה, תאורה חלשה ומסלולים עמוסים. התוצאה היא נקודת ייחוס מאתגרת עשירה בעצמים קטנים ומוסתרים חלקית.

רשת מתאים למטרות זעירות ומורכבות

על בסיס מאגר זה, החוקרים עיצבו מערכת זיהוי הנקראת RailCatFOD-Net. בליבה עומדת ארכיטקטורת ראייה מודרנית הידועה בשם Swin Transformer, הסורקת כל תמונה בחלונות חופפים וקושרת אזורים מרוחקים, מה שעוזר למודל להבין כיצד עצם קטן קשור לסצנה הרחבה יותר. מסביב לליבה זו בנו הצוות שני תוספים מיוחדים. אחד הוא פירמידת מאפיינים ממזגת רב-ענפית, שממזגת מידע משכבות דקות ומפורטות עם שכבות גסות וגלובליות יותר כך שעצמים בגדלים שונים יימצאו יחד. השני הוא מודול מקומי ממוקד־קצוות שמרחיב את אזור ההקשר סביב כל נקודה ומחדד גבולות, במיוחד עבור פסולת ארוכה ודמוי מיתר התלויה לאורך החוטים.

עד כמה הגישה החדשה מצליחה

כשנבחנה על מאגר הנתונים החדש שלהם, RailCatFOD-Net עלתה על מגוון שיטות זיהוי מוכרות, מדגמים מבוססי-טרנספורמר ועד מערכות בזמן-אמת פופולריות כגון YOLO. היא השיגה ציון דיוק כולל של כ-60% תחת תקן הערכה מחמיר, עם שיפורים בולטים בגילוי עצמים קטנים ובצורות מוארכות בהשוואה לטכניקות קודמות. המערכת גם התכללה היטב למאגר ציבורי נפרד שבנוי ממקורות תמונה שונים ועצמים זרים סינתטיים, שם שוב דורגה בראש. דוגמאות ויזואליות מראות שהיא מזהה נכון קינים מוסתרים חלקית, מספר עצמים בסצנה אחת ופסולת בגשם, סינוור ותנאי רעש שבהם שיטות מתחרות פספסו אותם או יצרו אזעקות שווא.

מה המשמעות לנסיעות רכבת בעתיד

עבור ציבור שאינו מומחה, המסקנה ברורה: עבודה זו מקרבת את הניטור האוטומטי של רכבות למציאות. על ידי שילוב אוסף תמונות ריאלי ומטופח עם רשת זיהוי המותאמת ליכולות הייחודיות של חוטי המתח, המחברים מראים שמחשבים יכולים לסמן באופן אמין עצמים מסוכנים שאנשים עלולים להתעלם מהם. אף שהמערכת עדיין כבדה מדי עבור המכשירים הקטנים ביותר על הרכבת וסומכת רק על תמונות מצלמה רגילות, הצלחתה מרמזת שגרסאות חכמות וקלות יותר — שאולי ישולבו עם אינפרא‑אדום או חיישנים אחרים — יום אחד יוכלו לפקוח אלפי קילומטרים של מסילות מסביב לשעון. משמעות הדבר היא נסיעות בטוחות יותר, פחות הפרעות בשירות ותחזוקה יעילה יותר לרכבות ממודרות ברחבי העולם.

ציטוט: 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

מילות מפתח: בטיחות ברכבות, ראייה ממוחשבת, זיהוי עצמים, חוטי חשמל מעלי-ראש, ניטור תחבורה