Zbiór danych i sieć do wykrywania obcych przedmiotów w zelektryfikowanych systemach napowietrznych linii kolejowych

Dlaczego obce przedmioty na przewodach nadtorowych mają znaczenie

Spójrz w górę nad zelektryfikowaną linią kolejową, a zobaczysz sieć kabli, która dyskretnie dostarcza energię pociągom. Gdy obce przedmioty, takie jak gniazda ptaków, foliowe torby czy latawce zaplątane przez wiatr, wplątają się w tę sieć, mogą wywołać awarie zasilania, opóźnienia, a nawet zagrożenia bezpieczeństwa. Niniejsze badanie zajmuje się praktycznym problemem współczesnych kolei: jak nauczyć komputery automatycznie rozpoznawać tych niebezpiecznych intruzów, zanim wywołają szkody.

Problem zapewnienia bezpieczeństwa linii napowietrznych

System zasilania nadtorowego, zwany katenarą, obejmuje słupy, przewody jezdne i kable nośne rozciągające się na setki kilometrów. Z biegiem czasu pogoda i działalność ludzka wprowadzają na te przewody niespodziewane obiekty. Gniazda, balony i folie mogą się zapalić, spowodować zwarcia urządzeń albo spaść na pociągi i tory. Obecnie wiele kolei nadal polega na patrolach ludzkich lub pracownikach przeglądających godziny materiału wideo w poszukiwaniu takich zagrożeń. To zajmuje dużo czasu, jest kosztowne i łatwe do przeoczenia, szczególnie gdy obiekty są małe, częściowo zasłonięte lub widoczne w złych warunkach pogodowych.

Dlaczego standardowe metody widzenia komputerowego zawodzą

Kamery cyfrowe i sztuczna inteligencja oferują sposób stałego nadzoru katenary, lecz gotowe algorytmy mają tu problemy. Tło jest złożone: słupy, drzewa, budynki i przewody nakładają się w skomplikowane wzory, a obce przedmioty często pojawiają się jako drobne kropki lub cienkie paski daleko od kamery. Klasyczne detektory uczenia głębokiego oparte na konwolucyjnych sieciach neuronowych dobrze radzą sobie z wyraźnymi obiektami średniej wielkości, jednak mają ograniczone „pole widzenia” i mogą przegapić długie, cienkie lub odległe elementy wiszące na przewodach. Publiczne zbiory treningowe są także skąpe, ponieważ zbieranie i udostępnianie rzeczywistych zdjęć usterek z działających linii kolejowych jest trudne.

Tworzenie realistycznej kolekcji obrazów

Aby przezwyciężyć brak danych, autorzy przygotowali nowy zbiór obrazów skoncentrowany specjalnie na obcych przedmiotach wzdłuż zelektryfikowanych linii kolejowych, nazwany RailCatFOD-DS. Zawiera on 13 866 obrazów, z ponad 14 000 oznakowanych obiektów. Zbiór skupia się na dwóch głównych typach ryzyka: gniazdach ptaków i lekkich odpadach, w tym foliowych torbach, foliach i latawcach. Aby odzwierciedlić trudne warunki terenowe, zespół zastosował więcej niż proste obracanie i odbicia lustrzane. Dodano realistycznie wygenerowane komputerowo deszcz, mgławicowe rozmycie, losowy szum, zmiany jasności oraz sztuczne zasłonięcia, tak aby model nauczył się działać podczas ulewy, silnego słońca, słabego oświetlenia i zatłoczonych scen. W efekcie powstał stanowiący wyzwanie benchmark bogaty w małe, częściowo ukryte obiekty.

Sieć dostrojona do maleńkich, trudnych celów

Na bazie tego zbioru badacze zaprojektowali system detekcji nazwany RailCatFOD-Net. Jego rdzeń stanowi nowoczesna architektura wizji znana jako Swin Transformer, która skanuje obraz w nakładających się oknach i łączy odległe regiony, pomagając modelowi zrozumieć, jak drobny obiekt odnosi się do szerszej sceny. Wokół tego rdzenia zespół zbudował dwa wyspecjalizowane dodatki. Pierwszy to wielogałęziowa fuzja piramidy cech, która łączy informacje z drobnych, szczegółowych warstw z bardziej globalnymi, gruboziarnistymi warstwami, aby można było wykrywać obiekty o bardzo różnych rozmiarach jednocześnie. Drugi to regionalny moduł skupiający się na krawędziach, który rozszerza obszar kontekstu wokół każdego punktu i wyostrza granice, szczególnie dla długich, nitkowatych odpadów wiszących na przewodach.

Jak dobrze sprawdza się nowe podejście

Testowany na nowym zbiorze RailCatFOD-Net przewyższył szereg dobrze znanych metod detekcji, od modeli opartych na transformerach po popularne systemy czasu rzeczywistego, takie jak YOLO. Osiągnął ogólną dokładność rzędu 60% według rygorystycznego standardu oceny, z wyraźnymi zyskami w wykrywaniu małych obiektów i wydłużonych kształtów w porównaniu z wcześniejszymi technikami. System dobrze uogólnił również na oddzielnym publicznym zbiorze zbudowanym z innych źródeł obrazów i syntetycznych obiektów, gdzie ponownie uplasował się w czołówce. Przykłady wizualne pokazują poprawne wykrywanie częściowo ukrytych gniazd, wielu obiektów na jednej scenie oraz odpadów w deszczu, przy olśnieniu i w warunkach z szumem, gdzie konkurencyjne metody albo ich nie wykryły, albo zgłaszały fałszywe alarmy.

Co to oznacza dla przyszłych podróży pociągiem

Dla osób niezwiązanych ze specjalistyczną dziedziną wniosek jest prosty: ta praca przybliża automatyczny nadzór kolei do praktycznej realizacji. Łącząc realistycznie przygotowaną kolekcję zdjęć z siecią detekcyjną dostosowaną do specyfiki przewodów napowietrznych, autorzy pokazują, że komputery mogą wiarygodnie sygnalizować ryzykowne obiekty, które ludzie mogliby przeoczyć. Choć system jest wciąż zbyt ciężki dla najmniejszych urządzeń pokładowych i opiera się wyłącznie na zwykłych obrazach z kamer, jego sukces sugeruje, że w przyszłości możliwe są lżejsze, inteligentniejsze wersje — być może łączone z podczerwienią lub innymi czujnikami — które będą mogły nadzorować tysiące kilometrów torów przez całą dobę. To przełożyłoby się na bezpieczniejsze podróże, mniej przerw w ruchu i bardziej efektywną konserwację zelektryfikowanych linii kolejowych na całym świecie.

Cytowanie: 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

Słowa kluczowe: bezpieczeństwo kolejowe, widzenie komputerowe, wykrywanie obiektów, linii zasilających nad głową, monitoring transportu