Elektrifikasyonlu demiryolu hava hattı sistemleri için yabancı cisim tespiti veri kümesi ve ağ

Üstten enerji tellerindeki tuhaf şeyler neden önemli

Elektrifikasyonlu bir demiryolu hattının üstüne bakarsanız, geçen trenlere sessizce güç taşıyan bir kablo ağını görürsünüz. Kuş yuvaları, plastik poşetler veya rüzgârla sürüklenen uçurtmalar gibi yabancı cisimler bu ağda dolaşıp takıldığında, arızalara, gecikmelere ve hatta güvenlik tehlikelerine yol açabilir. Bu çalışma modern demiryolları için pratik bir sorunu ele alıyor: bilgisayarlara bu tehlikeli müdahaleleri, sorun yaratmadan önce otomatik olarak nasıl fark ettirebiliriz.

Üstten enerji hatlarını güvenli tutma sorunu

Katenar olarak adlandırılan üstten enerji sistemi; direkler, kontakt telleri ve yüzlerce kilometre boyunca uzanan destek kablolarını içerir. Zamanla, hava koşulları ve insan etkinlikleri bu hatlara beklenmeyen nesneler getirir. Yuvalar, balonlar ve plastik filmler yanabilir, ekipmanda kısa devre yapabilir veya trenlerin ve rayların üzerine düşebilir. Bugün birçok demiryolu hâlâ bu tür tehlikeleri aramak için insan devriyelerine veya saatlerce video inceleyen işçilere güveniyor. Bu yavaş, maliyetli ve özellikle nesneler küçükse, kısmen gizlenmişse veya kötü hava koşullarında görüntüleniyorsa kolayca gözden kaçabilecek bir yaklaşımdır.

Sıradan bilgisayarla görme neden yetersiz kalıyor

Dijital kameralar ve yapay zeka, katenarı sürekli izleme imkânı sunsa da hazır algoritmalar bu ortamda zorlanıyor. Arka plan karmaşık: direkler, ağaçlar, binalar ve teller sersemletici desenlerde üst üste biniyor; yabancı cisimler genellikle kameradan uzakta, küçük lekeler veya ince şeritler halinde görünür. Konvolüsyonel sinir ağlarına dayanan klasik derin öğrenme algılayıcıları belirgin, orta boyutlu nesneleri tespit etmekte iyi olsa da sınırlı bir “görüş alanına” sahiptir ve tellerden sarkan uzun, ince veya uzak öğeleri kaçırabilir. Ayrıca, çalışma halindeki demiryollarından gerçek arıza görüntüleri toplamak ve paylaşmak zor olduğu için halka açık eğitim verisi de nadirdir.

Gerçekçi bir görüntü koleksiyonu oluşturmak

Veri eksikliğinin üstesinden gelmek için yazarlar, özellikle elektrifikasyonlu demiryolu hatları boyunca yabancı cisimlere odaklanan yeni bir görüntü koleksiyonu RailCatFOD-DS’yi derlediler. Koleksiyon 13.866 görüntü ve 14.000’den fazla etiketlenmiş nesne içeriyor. Veri kümesi iki ana risk türüne yoğunlaşıyor: kuş yuvaları ve plastik poşetler, filmler ve uçurtmalar gibi hafif döküntüler. Saha koşullarındaki sertlikleri taklit etmek için ekip basit çevirme ve döndürmelerden fazlasını yaptı. Gerçekçi bilgisayar tarafından üretilmiş yağmur, sis benzeri bulanıklık, rastgele gürültü, parlaklık değişimleri ve yapay örtülmeler ekleyerek modelin yoğun yağış, güçlü güneş, düşük ışık ve kalabalık sahnelerde çalışmayı öğrenmesini sağladılar. Sonuç, küçük ve kısmen gizlenmiş nesneler bakımından zengin, zorlu bir kıyaslama seti oldu.

Küçük, zorlu hedeflere ayarlı bir ağ

Bu veri kümesinin üzerine araştırmacılar RailCatFOD-Net adında bir tespit sistemi tasarladılar. Çekirdeğinde, her görüntüyü örtüşen pencerelerde tarayan ve uzak bölgeleri birbirine bağlayan Swin Transformer olarak bilinen modern bir görsel mimari bulunuyor; bu, modelin küçük bir nesnenin daha geniş sahneyle nasıl ilişkili olduğunu anlamasına yardımcı oluyor. Bu çekirdeğin etrafına ekip iki özel eklenti inşa etti. Birincisi çok dallı bir füzyon özellik piramidi; detaylı, ince katmanlardan gelen bilgileri daha kaba, daha küresel katmanlarla harmanlayarak çok farklı boyutlardaki nesnelerin aynı anda bulunmasını sağlıyor. Diğeri ise bölgesel kenar odaklı bir modül; her noktanın etrafındaki bağlam alanını genişletiyor ve özellikle teller boyunca sarkan uzun, ipliksi döküntüler için sınırları keskinleştiriyor.

Yeni yaklaşımın performansı nasıl

Yeni veri kümesi üzerinde test edildiğinde RailCatFOD-Net, Transformer tabanlı modellerden YOLO gibi popüler gerçek zamanlı sistemlere kadar çeşitli iyi bilinen tespit yöntemlerini geride bıraktı. Katı bir değerlendirme standardı altında yaklaşık %60 civarında genel doğruluk skoru elde etti ve önceki tekniklere kıyasla küçük nesneleri ve uzamış şekilleri bulmada güçlü kazanımlar sağladı. Sistem ayrıca farklı görüntü kaynakları ve sentetik yabancı cisimlerle oluşturulmuş ayrı bir açık veri kümesine de iyi genelleşti ve burada da en üst sıralarda yer aldı. Görsel örnekler, kısmen gizlenmiş yuvaları, aynı sahnedeki birden fazla nesneyi ve yağmur, parlama ve gürültülü koşullarda rakip yöntemlerin ya kaçırdığı ya da yanlış alarm verdiği döküntüleri doğru şekilde tespit ettiğini gösteriyor.

Gelecekteki tren yolculukları için anlamı

Uzman olmayanlar için çıkarım net: bu çalışma otomatik demiryolu izlemeyi gerçeğe bir adım daha yaklaştırıyor. Gerçekçi, dikkatle hazırlanmış bir görüntü koleksiyonunu üstten enerji hatlarının tuhaflıklarına özel bir tespit ağıyla birleştirerek yazarlar, bilgisayarların insanların gözünden kaçabilecek riskli nesneleri güvenilir şekilde işaretleyebileceğini gösteriyor. Sistem hâlâ en küçük araç içi cihazlar için fazla ağır ve yalnızca düzenli kamera görüntülerine dayanıyor olsa da, elde edilen başarı daha akıllı, daha hafif versiyonların—muhtemelen kızılötesi veya diğer sensörlerle birleştirilmiş—bir gün yirmi dört saat boyunca binlerce kilometre ray hattını izleyebileceğini düşündürüyor. Bu da daha güvenli yolculuklar, daha az hizmet kesintisi ve elektrifikasyonlu demiryolları için daha verimli bakım anlamına gelir.

Atıf: 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

Anahtar kelimeler: demiryolu güvenliği, bilgisayarla görme, nesne tespiti, üstten enerji hatları, taşımacılık izleme