Industrielle Bildverarbeitung in der Bahnindustrie: Herausforderungen und Chancen

Kurz und knapp

Die industrielle Bildverarbeitung ermöglicht es Computern, Objekte in Bildern zu erkennen und zu analysieren. Um die industrielle Bildverarbeitung zu ermöglichen, werden überall in der jeweiligen Umgebung Kameras installiert. Die von diesen Kameras aufgezeichneten Videos werden dann von Modellen für maschinelles Lernen (ML) verarbeitet. Bei der Ausführung dieser ML-Modelle gibt es zwei unterschiedliche Ansätze:

• die Rohdaten werden an die Cloud gesendet, wo Server die Objekterkennung übernehmen,
• die Rohdaten werden lokal verarbeitet.

Die Technologie der industriellen Bildverarbeitung ermöglicht eine Reihe von innovativen Dienstleistungen, die die Effizienz und Sicherheit des Schienenverkehrs insgesamt verbessern können. Werfen wir zunächst einen Blick auf 2 wichtige Trends und 4 Herausforderungen.

Industrielle Bildverarbeitung im Schienenverkehr: 2 Trends

Maschinelles Sehen wird heute in vielen industriellen Anwendungen eingesetzt, um Qualität, Genauigkeit, Sicherheit und Durchsatz zu optimieren. Seit einigen Jahren zeigt auch die Bahnindustrie Interesse an der industriellen Bildverarbeitung, um ihre Dienstleistungen zu verbessern. Zwei Trends treiben diese Entwicklung voran:

• Einerseits hat die Anzahl der CCTV-Kameras in den Zügen erheblich zugenommen. Neue Waggons sind in der Regel mit vier Kameras ausgestattet: zwei in jedem Abteil zur Überwachung aller Sitze sowie jeweils eine an den Türen.

• Andererseits gibt es große Fortschritte in den Bereichen KI und maschinelles Lernen. Dadurch ergeben sich viele neue Möglichkeiten für die maschinelle Bildverarbeitung in der Bahnindustrie (so lassen sich bestimmte Ereignisse z. B. leichter suchen und finden). Um dem steigenden Bandbreitenbedarf von CCTV-Systemen entgegenzuwirken, werden KI und maschinelles Lernen vorzugsweise lokal eingesetzt. Statt der gesamten Rohdaten des Video-Streams werden so ausschließlich relevante Informationen übertragen, was den gesamten Prozess effizienter und kostengünstiger macht.

4 technische Herausforderungen für die Bahnindustrie

Vor der Einführung des maschinellen Sehens in Bahnsystemen müssen jedoch eine Reihe von Hindernissen überwunden werden.

• Herausforderung 1: Erhöhung der Bandbreite

Aufgrund neuer Vorschriften steigen die Erwartungen an Bildverarbeitungssysteme, die Zugbetreiber erfüllen müssen, ständig. Die Auflösung, die Bildrate und die Codierung von Videomaterial entwickeln sich weiter, weshalb die von den Systemen zu bewältigende Bandbreite rasch zunimmt.

Und je mehr Geräte sich im Zug befinden, desto mehr Daten werden erzeugt. Die Weiterleitung und Verarbeitung all dieser Daten in einem fahrenden Fahrzeug ohne stabile Internetverbindung ist alles andere als einfach.

Um das Potenzial innovativer Bildverarbeitungsdienste zu erschließen, sind daher schlanke und effiziente KI-Modelle und -Anwendungen erforderlich.

• Challenge 2: Herausforderung Nr. 2: Kameraposition

Neben der Anzahl der Kameras stellt auch deren Positionierung eine Herausforderung dar. Aufgrund der Kombination aus niedrigen Decken und Sitzen mit hohen Rückenlehnen zeichnen die Kameras viele verdeckte Objekte aus schrägen Winkeln auf.

Für herkömmliche KI- und ML-Modelle, die in der Regel auf die Erkennung von Objekten in Vollansicht trainiert sind, kann es daher schwierig sein, Objekte in Zugumgebungen mit eingeschränkter Sicht genau zu identifizieren.

Aus diesem Grund sind Anpassungen an den KI-Modellen erforderlich, um verdeckte Objekte erfolgreich zu erkennen.

• Herausforderung Nr. 3: Beleuchtung

Zu guter Letzt stellt auch die Beleuchtung eine große Herausforderung dar. Für die meisten Algorithmen ist eine gut beleuchtete Außenumgebung optimal.

In Zügen kann die Beleuchtung jedoch stark variieren, sodass manche Bereiche gut beleuchtet sind, während andere im Schatten liegen.

Dieser große Dynamikumfang innerhalb eines einzigen Bildes stellt eine große Herausforderung für die heutigen Bilderkennungsmodelle dar

• Herausforderung 4: Datenschutzbestimmungen

Nicht zuletzt bremsen auch soziale und politische Aspekte die Verbesserung von Bildverarbeitungssystemen. Die größte Herausforderung sind hierbei die Datenschutzbestimmungen, da diese von Land zu Land unterschiedlich geregelt sind.

Dies wirkt sich wiederum auf die Fähigkeiten von Bildverarbeitungsprogrammen aus.

Eine Vielzahl von Möglichkeiten

Wir von Televic GSP arbeiten aktiv an der Erforschung und Weiterentwicklung von KI-Modellen, um die Leistung des maschinellen Sehens im schwierigen Bahnumfeld zu verbessern.

Unser Ziel ist es, Bahnunternehmen bei ihrer Arbeit zu unterstützen und Fahrgästen ein optimales Reiseerlebnis zu bieten. Nachfolgend haben wir einige der vielversprechendsten Bildverarbeitungsanwendungen für die Bahnindustrie aufgelistet:

• Ermittlung der Zugauslastung

Eisenbahnunternehmen suchen ständig nach Möglichkeiten, tiefere Einblicke in die Zugauslastung zu erhalten. In Kombination mit CCTV-Kameras bieten Bildverarbeitungsalgorithmen eine zuverlässige Lösung für die Fahrgastzählung an Bord eines Zuges.

CCTV-Kameras stellen eine flexible und robuste Alternative zu Türzählern dar, da die Zählung nicht über einen längeren Zeitraum erfolgen muss, sondern jederzeit neu durchgeführt werden kann.

• Fahrtenüberwachung

Die Fahrtenüberwachung ist eine fortschrittlichere Form der Ermittlung der Auslastung, die Bahnunternehmen nützliche Einblicke in das Fahrgastverhalten bietet.

Durch die Erfassung von Daten zu Reisedauer, Ein- und Ausstiegsorten, Fahrgastprofilen und anderen Faktoren können Bahnunternehmen ein umfassendes Verständnis des Fahrgastverhaltens gewinnen und fundierte Entscheidungen treffen, um ihre Dienstleistungen an das tatsächliche Reiseverhalten anzupassen.

• Erkennung von Vandalismus

Kameras sind eine wichtige Waffe im Kampf gegen Vandalismus in Reisezügen. Durch die Erkennung verdächtiger Aktivitäten können sie sofort Bilder zur Überprüfung an den Betreiber senden.

Dies erleichtert eine schnelle Auswertung des aufgezeichneten Vorfalls und hilft festzustellen, ob es sich tatsächlich um Vandalismus handelt.

Darüber hinaus sind viele moderne Kameras mit einem eingebauten Mikrofon ausgestattet, mit dem sie verbale und körperliche Angriffe erkennen können. Dies steigert die Sicherheit der Fahrgäste und gewährleistet eine schnelle Reaktion auf etwaige Vorfälle.

• Leistungsfähigkeit im Betrieb

Indem sie die Erkennung von Fehlfunktionen und Wartungsbedarf ermöglichen, können Kameras auch eine entscheidende Rolle bei der zustandsorientierten Überwachung von Zügen spielen. So können Kameras beispielsweise Probleme wie defekte Türen, zugestellte Gänge, beschädigte Fenster und Bildschirme erkennen.

Mithilfe solcher Informationen kann schnell auf derartige Probleme reagiert werden, um sie zu beheben und den Fahrgästen ein sicheres und komfortables Reiseerlebnis zu bieten.

Durch die Überwachung des Zuges in Echtzeit können Bahnunternehmen einen proaktiven Ansatz bei der Wartung verfolgen und die allgemeine Zuverlässigkeit ihrer Züge verbessern.

• Identifizierung von herrenlosem Gepäck

Die Identifizierung von herrenlosem Gepäck in Zügen stellt für Bahnunternehmen ein echtes Sicherheitsrisiko dar. Die erfolgreiche Bewältigung dieser Aufgabe ist jedoch nur möglich, wenn alle Gepäckstücke den jeweiligen Besitzern zugeordnet werden können und dann überprüft wird, ob diese den Zug ohne ihr Gepäck verlassen haben.

Durch die Analyse des Videomaterials mehrerer Kameras können KI-Algorithmen genau feststellen, ob ein Fahrgast beim Einsteigen ein Gepäckstück bei sich hatte und es dann auch beim Aussteigen mitgenommen hat. Dank der schnellen Identifizierung potenzieller Sicherheitsrisiken kann diese Technologie die Sicherheit der Reisenden erheblich verbessern.

Wie geht es weiter?

Televic GSP arbeitet aktiv an Lösungen zur Bewältigung der Herausforderungen bei der Implementierung der industriellen Bildverarbeitung in der Bahnindustrie. Gleichzeitig erforschen wir bereits heute das Potenzial dieser Technologie für den Bahnsektor, damit die Bahnunternehmen in Zukunft davon profitieren können.