En dataset och ett nätverk för upptäckt av främmande föremål i elektrifierade järnvägskatesystem

Varför märkliga föremål på kontaktledningar spelar roll

Titta upp ovanför en elektrifierad järnväg och du ser ett nät av kablar som tyst levererar ström till passerande tåg. När främmande föremål som fågelbon, plastpåsar eller vinddrivna drakar trasslar in sig i detta nät kan de orsaka strömavbrott, förseningar och till och med säkerhetsrisker. Denna studie tar itu med ett praktiskt problem för moderna järnvägar: hur man lär datorer att automatiskt upptäcka dessa farliga inkräktare innan de orsakar problem.

Problemet med att hålla kontaktledningarna säkra

Kontaktledningssystemet, kallat katenär, inkluderar stolpar, kontaktledningar och bärande kablar som sträcker sig över hundratals kilometer. Med tiden introducerar väder och mänsklig aktivitet oväntade föremål på dessa ledningar. Bon, ballonger och plastfilmer kan börja brinna, orsaka kortslutning i utrustning eller falla ner på tåg och spår. Idag förlitar sig många järnvägar fortfarande på mänskliga patruller eller att personal granskar timmar av video för att leta efter sådana faror. Detta är långsamt, dyrt och enkelt att missa, särskilt när föremålen är små, delvis dolda eller ses i dåligt väder.

Varför vanlig datorseende inte räcker till

Digitala kameror och artificiell intelligens erbjuder ett sätt att övervaka katenären kontinuerligt, men färdiga algoritmer har svårt i denna miljö. Bakgrunden är komplex: stolpar, träd, byggnader och ledningar överlappar i förvirrande mönster, och främmande föremål framträder ofta som små prickar eller tunna remsor långt från kameran. Klassiska djupinlärningsdetektorer baserade på konvolutionella neurala nätverk är bra på att hitta tydliga, medelstora objekt, men de har ett begränsat ”synfält” och kan missa långa, tunna eller avlägsna föremål som dinglar från ledningarna. Offentliga träningsdata är också sällsynta, eftersom det är svårt att samla in och dela verkliga felbilder från fungerande järnvägar.

Att bygga en realistisk bildsamling

För att övervinna bristen på data satte författarna ihop en ny bildsamling med fokus på främmande föremål längs elektrifierade järnvägslinjer, kallad RailCatFOD-DS. Den innehåller 13 866 bilder, med mer än 14 000 märkta objekt. Datasettet koncentrerar sig på två huvudsakliga risktyper: fågelbon och lätt skräp, inklusive plastpåsar, filmer och drakar. För att efterlikna de hårda förhållanden som finns i fält gjorde teamet mer än enkla speglingar och rotationer. De lade till realistisk datorgenererad regn, dimliknande oskärpa, slumpmässigt brus, ljusförändringar och konstgjorda ocklusioner, så att modellen skulle lära sig att fungera i kraftigt regn, stark sol, svagt ljus och röriga scener. Resultatet är en utmanande benchmark rik på små, delvis dolda objekt.

Ett nätverk anpassat för små, knepiga mål

Ovanpå detta dataset designade forskarna ett detektionssystem kallat RailCatFOD-Net. I kärnan finns en modern visionsarkitektur känd som Swin Transformer, som skannar varje bild i överlappande fönster och kopplar samman avlägsna regioner, vilket hjälper modellen att förstå hur ett litet objekt relaterar till den bredare scenen. Runt denna kärna byggde teamet två specialiserade tillägg. Det ena är en flergreningad fusion-feature-pyramid, som blandar information från fina, detaljrika lager med grövre, mer globala lager så att objekt i mycket olika storlekar kan hittas tillsammans. Det andra är en regional kantfokuserad modul som utökar kontextområdet runt varje punkt och skärper gränser, särskilt för långa, trådliknande skräpbitar som hänger längs ledningarna.

Hur bra den nya metoden presterar

När den testades på deras nya dataset överträffade RailCatFOD-Net en rad välkända detektionsmetoder, från transformerbaserade modeller till populära realtidssystem som YOLO. Den uppnådde ett totalt noggrannhetspoäng på omkring 60 % under en strikt utvärderingsstandard, med starka förbättringar vid upptäckt av små objekt och förlängda former jämfört med tidigare tekniker. Systemet generaliserade också väl till ett separat publikt dataset byggt med andra bildkällor och syntetiska främmande föremål, där det återigen hamnade i topp. Visuella exempel visar att det korrekt detekterade delvis dolda bon, flera objekt i en scen och skräp i regn, bländning och brusiga förhållanden där konkurrerande metoder antingen missade dem eller gav falska larm.

Vad detta innebär för framtidens tågresor

För icke-specialister är slutsatsen enkel: detta arbete tar automatisk järnvägsövervakning ett steg närmare verkligheten. Genom att kombinera en realistisk, noggrant förberedd bildsamling med ett detektionsnätverk anpassat till kontaktledningarnas särdrag visar författarna att datorer pålitligt kan flagga riskabla föremål som människor kan förbise. Medan systemet fortfarande är för tungt för de minsta ombordenheterna och förlitar sig enbart på vanliga kamerabilder, antyder dess framgång att smartare, lättare versioner—möjligen sammansmälta med infrarött eller andra sensorer—en dag kan övervaka tusentals kilometer spår dygnet runt. Det skulle innebära säkrare resor, färre driftsstörningar och mer effektivt underhåll för elektrifierade järnvägar världen över.

Citering: 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

Nyckelord: järnvägssäkerhet, datorseende, objektigenkänning, kontaktledningar, transportövervakning