Skip to main content

預測性維護

利用 AI 型電腦視覺重新定義鐵路檢查

人工智能計算機視覺

鐵路是全球基礎建設的結締組織。然而,儘管鐵路在全球交通與供應鏈的角色舉足輕重,但鐵路軌道維護多半是從人工檢查員開始做起。

為了找出受損的鐵路軌枕與軌道,人工檢查員每天步行或開車,在數英里長的鐵路尋找不一致的地方。光是手動檢查美國 160,000 英里的軌道,需要的總時間和成本就無法量化,而且由於是人工檢查,因此也容易出錯。

電腦視覺(CV)近期的進展,為鐵路檢查自動化開創了新機會,過程中的成本大幅降低,準確度也得以提高。不過對 CV 系統而言,鐵路構成了獨特的挑戰,包括部署環境差異大,以及安全關鍵產業對可信解決方案的偏好。

因此,產品工程設計公司 Ignitarium 這類組織,紛紛利用 AI 技術重塑 CV,以期解決困難點,降低對人工軌道檢查作業的需求。

利用 AI 型 CV 克服基礎架構檢查的挑戰

在監控的室內環境中,CV 系統擁有經過實證的輝煌記錄,但鐵路則不然,有各式各樣的照明條件、天氣變化和其他不可預測的因素。這些變數可能大幅影響 CV 系統的效能與準確性。

戶外鐵路應用 CV 技術時,另一場苦戰則是改變 Ignitarium CTO Sujeeth Joseph 所謂「產業中高度傳統的思維」,也就是相較於新方法,鐵路專業人員更喜歡用經過試驗和檢測的方法。

有鑑於這些挑戰,Ignitarium 開發的 TYQ-i 平台旨在結合傳統 CV 技術的精髓,以及先進的自訂類神經網路。最終締造出的高效解決方案,可在好幾英里長的軌道,偵測出各種異常。

TYQ-i 的作業方式可分為四個階段:

  • 擷取:平台支援多種視覺感應器,包括 RGB、3D、雷射和多光譜介面。Joseph 表示,在鐵路產業,2D 攝影機與雷射掃描器是首選的感應器。
  • 預先處理:Ignitarium 開發出的影像處理元件庫,為分析將資料準備就緒。這些準備工作包括基本作業,例如縮放與旋轉,以及較複雜的工作,例如拼接、追蹤與減少雜訊。
  • 深度學習:TYQ-i 的核心是具體使用案例的自訂 AI 模型。這些模型經過預先訓練,可偵測各種異常類別,即使客戶提供的意見資料有限,也能提供高水準的準確度與效率。
  • 呈現:接著,處理後的資料會透過儀表板及人類和機器可讀取的檔案,呈現給使用者。這樣一來,平台便能與現有流程順利整合,幫助克服採用新技術的阻力。

Joseph 表示,鐵路道碴(鋪設鐵路軌枕的軌道床)正是如何利用這些功能的例子之一。安裝在火車頭底下的空中無人機或攝影機,可以用 TYQ-i 偵測需要補充軌枕的區域,以及因為安全或其他作業考量而應該避免的區域。接著,該資訊會傳送至軌枕鋪設夯實機,讓它自動只在適當的區域執行維護。

利用 TYQ-i 實現規模與靈活性

為了獲得 Ignitarium TYQ-i 平台的準確度與可靠性,它一開始是使用 TensorFlow 與 PyTorch 這兩個最常見的機器學習與類神經網路開放原始碼架構進行訓練。這項訓練最初是在強大的 Intel® CPU 與 GPU 目標執行,為平台的 AI 功能奠定了穩固的基礎。

但為了在各種使用案例真正擴充效能,Ignitarium 意識到需要更靈活的處理解決方案。因此,於是決定將 TYQ-i 移轉至 Intel® Core 與 Xeon® 處理器。這並非常見的目標,而且高效能 FPGA 的 Intel® Arria 家族甚至還有一個連接埠。

這些處理器的互通性有助於公司控制成本。Joseph 說明:「如果工作負載更繁重,我們會選擇伺服器級機器。」不過針對較輕量的工作負載,該公司則是使用第 12 代 Intel® Core 處理器這類解決方案,其內建的 Intel® HD Graphics 整合式顯示晶片處理器(IGP)可加速 AI。

移轉至 Intel® 處理器還帶來其他的優勢。舉例來說,它讓 Ignitarium 得以充分利用 Intel 生態系統安全可靠的軟體基礎架構,用它提供的各種工具與資源,將效能與效率最佳化。

這類工具包括 OpenVINO AI Toolkit,而 Ignitarium 便是用它進一步將 TYQ-i 最佳化。OpenVINO 的設計可簡化在邊緣部署 AI 應用程式、為各式各樣類神經網路架構提供支援,以及為最佳化效能提供全方位的工具組。

Joseph 說明:「由於這個工具組支援各式各樣的 Intel 處理器,所以 Ignitarium 可以挑選處理器,然後『程式碼便會直接編譯及執行』。」同時,OpenVINO 提供各種工具,協助開發者充分利用選定的處理器。Joseph 表示:「我們利用工具組提供的每樣東西最佳化。」

這些功能讓 TYQ-i 可在各種環境中執行,包括邊緣裝置與雲端型系統。TYQ-i 可以在邊緣即時處理資料,立即提供深入解析,快速決策。對於低延遲至關重要的情況,這點格外實用,例如偵測高速鐵路線上的缺陷。

針對規模較大的應用,也可以將 TYQ-i 部署於雲端,支援大量資料及執行更複雜的分析。這項實用的功能適用於監控廣大的鐵路網路。

由於它靈活彈性,可以部署於各種情境,因而成為調適能力強大的基礎建設監控解決方案。

基礎建設檢查的未來已經降臨

鐵路檢查產業面臨的挑戰十分嚴峻。無論是廣闊的軌道,還是變化多端的環境,這個產業都迫切需要創新的解決方案。Ignitarium 的 TYQ-i 平台結合 AI 與 CV 技術,為因應這些挑戰提供了強大的對策。

TYQ-I 的自訂 AI 模型利用有限的客戶資料集,為高效能精心打造,提供的解決方案可輕鬆融入現有工作流程,消除以新對策解決老問題時衍生的偏見。最終締造出深獲全美軌道維護人員青睞的解決方案。

展望未來,TYQ-i 這類 AI 型電腦視覺解決方案,顯然將在基礎建設檢查產業轉型扮演關鍵角色,為所有人提供更高的準確度、效率與安全性。
 

本文由 insight.tech 編輯副總監 Christina Cardoza 編輯。

作者簡介

Brandon is a long-time contributor to insight.tech going back to its days as Embedded Innovator, with more than a decade of high-tech journalism and media experience in previous roles as Editor-in-Chief of electronics engineering publication Embedded Computing Design, co-host of the Embedded Insiders podcast, and co-chair of live and virtual events such as Industrial IoT University at Sensors Expo and the IoT Device Security Conference. Brandon currently serves as marketing officer for electronic hardware standards organization, PICMG, where he helps evangelize the use of open standards-based technology. Brandon’s coverage focuses on artificial intelligence and machine learning, the Internet of Things, cybersecurity, embedded processors, edge computing, prototyping kits, and safety-critical systems, but extends to any topic of interest to the electronic design community. Drop him a line at techielew@gmail.com, DM him on Twitter @techielew, or connect with him on LinkedIn.

Profile Photo of Brandon Lewis