Een dataset en netwerk voor het detecteren van vreemde voorwerpen aan geëlektrificeerde bovenleidingen

Waarom vreemde voorwerpen aan bovenleidingen ertoe doen

Kijk omhoog boven een geëlektrificeerd spoor en u ziet een netwerk van kabels dat geruisloos stroom levert aan passerende treinen. Wanneer vreemde voorwerpen zoals vogelnesten, plastic zakken of door de wind meegenomen vliegers in dit netwerk verstrikt raken, kan dat stroomstoringen, vertragingen en zelfs veiligheidsrisico's veroorzaken. Deze studie pakt een praktisch probleem voor moderne spoorwegen aan: hoe computers automatisch deze gevaarlijke indringers kunnen herkennen voordat ze schade aanrichten.

Het probleem van het veilig houden van bovenleidingen

Het bovengrondse voedingssysteem, de catenary, omvat masten, contactdraden en ondersteunende kabels die zich over honderden kilometers uitstrekken. In de loop van de tijd brengen weersomstandigheden en menselijke activiteiten onverwachte objecten op deze lijnen. Nesten, ballonnen en plastic folies kunnen branden veroorzaken, apparatuur kortsluiten of op treinen en het spoor vallen. Tegenwoordig vertrouwen veel spoorwegen nog op menselijke patrouilles of medewerkers die uren aan video doornemen om dergelijke risico's te vinden. Dit is traag, duur en er gaat gemakkelijk iets mis, vooral wanneer objecten klein, gedeeltelijk verborgen of in slecht weer gefilmd zijn.

Waarom gewone computer vision tekortschiet

Digitale camera's en kunstmatige intelligentie bieden een manier om de catenary continu te bewaken, maar standaardalgoritmen hebben het moeilijk in deze omgeving. De achtergrond is complex: pylonen, bomen, gebouwen en draden overlappen in verwarrende patronen, en vreemde voorwerpen verschijnen vaak als kleine stipjes of dunne stroken ver van de camera. Klassieke deep-learningdetectoren gebaseerd op convolutionele neurale netwerken zijn goed in het herkennen van duidelijke, middelgrote objecten, maar hebben een beperkte "kijkhoek" en kunnen lange, dunne of verre objecten die aan de draden hangen missen. Openbare trainingsdata zijn ook schaars, omdat het verzamelen en delen van echte foutbeelden van operationele spoorlijnen moeilijk is.

Het samenstellen van een realistische verzameling beelden

Om het tekort aan data te overwinnen, stelden de auteurs een nieuwe beeldverzameling samen die specifiek gericht is op vreemde voorwerpen langs geëlektrificeerde spoorlijnen, genaamd RailCatFOD-DS. Deze bevat 13.866 beelden, met meer dan 14.000 gelabelde objecten. De dataset concentreert zich op twee belangrijke risicotypes: vogelnesten en licht afval, waaronder plastic zakken, folies en vliegers. Om de zware omstandigheden uit het veld na te bootsen, volstond het team niet met eenvoudige spiegels en rotaties. Ze voegden realistische computergegenereerde regen, mistachtige onscherpte, willekeurige ruis, helderheidsveranderingen en kunstmatige occlusies toe, zodat het model zou leren werken bij zware regen, fel zonlicht, weinig licht en rommelige scènes. Het resultaat is een uitdagende benchmark vol kleine, gedeeltelijk verborgen objecten.

Een netwerk afgestemd op piepkleine, lastige doelen

Op basis van deze dataset ontwierpen de onderzoekers een detectiesysteem genaamd RailCatFOD-Net. Centraal staat een moderne vision-architectuur bekend als de Swin Transformer, die elk beeld scant in overlappende vensters en verre regio's met elkaar verbindt, waardoor het model beter begrijpt hoe een klein object zich verhoudt tot de bredere scène. Rond deze kern bouwde het team twee gespecialiseerde toevoegingen. De ene is een multi-branch fusion feature pyramid, die informatie uit fijne, gedetailleerde lagen mengt met grovere, meer globale lagen zodat objecten van sterk verschillende grootte samen gevonden kunnen worden. De andere is een regionaal randgerichte module die het contextgebied rond elk punt vergroot en randen verscherpt, met name voor lange, sliertachtige resten die langs de draden hangen.

Hoe goed de nieuwe aanpak presteert

Getest op hun nieuwe dataset overtrof RailCatFOD-Net een reeks bekende detectiemethoden, van transformer-gebaseerde modellen tot populaire realtime-systemen zoals YOLO. Het behaalde een algehele nauwkeurigheidsscore van ongeveer 60% onder een strikte evaluatiestandaard, met sterke verbeteringen bij het vinden van kleine objecten en langgerekte vormen vergeleken met eerdere technieken. Het systeem generaliseerde ook goed naar een afzonderlijke openbare dataset die is opgebouwd uit andere beeldbronnen en synthetische vreemde voorwerpen, waar het opnieuw bovenaan eindigde. Visuele voorbeelden tonen dat het correct gedeeltelijk verborgen nesten detecteert, meerdere objecten in één scène vindt, en afval ziet in regen, schittering en ruisachtige omstandigheden waarin concurrerende methoden ofwel misten of valse alarmen gaven.

Wat dit betekent voor toekomstig treinverkeer

Voor niet-specialisten is de conclusie eenvoudig: dit werk brengt geautomatiseerde spoorwegbewaking een stap dichterbij de praktijk. Door een realistische, zorgvuldig voorbereide beeldverzameling te combineren met een detectienetwerk dat is afgestemd op de eigenaardigheden van bovenleidingen, tonen de auteurs aan dat computers betrouwbaar risicovolle objecten kunnen signaleren die mensen mogelijk over het hoofd zien. Hoewel het systeem nog te zwaar is voor de kleinste aan boord zijnde apparaten en alleen op reguliere camerabeelden vertrouwt, suggereert het succes dat slimmere, lichtere versies—mogelijk in combinatie met infrarood of andere sensoren—op een dag duizenden kilometers spoor continu kunnen bewaken. Dat zou veiligere reizen, minder onderbrekingen en efficiënter onderhoud voor geëlektrificeerde spoorwegen wereldwijd betekenen.

Bronvermelding: 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

Trefwoorden: spoorwegsveiligheid, computer vision, objectdetectie, bovengrondse stroomleidingen, vervoersbewaking