Automatische inspectie seinen en borden langs spoor

18 oktober 2017

Digitaal Schouwen
Het spoor is essentieel voor de bereikbaarheid in ons drukbevolkte land. Met relatief weinig ruimtebeslag zorgt ProRail ervoor dat dagelijks 1,1 miljoen treinreizen kunnen worden gemaakt en dat jaarlijks zo’n 51 miljard tonkilometers kunnen worden gerealiseerd.

Door Nico van Didden, Tim Heerema en Ivo Mosterman

ProRail verdeelt de ruimte op het spoor, regelt het treinverkeer, bouwt en beheert stations, legt nieuwe sporen aan, onderhoudt en beheert de bestaande railinfrastructuur en is verantwoordelijk voor de veiligheid op en rond het spoor. Om deze prestaties te kunnen leveren, is het noodzakelijk dat ProRail inzicht heeft in de actuele toestand van haar assets, zoals de 12.000 seinen en de snelheidsborden. 

Assetinspecties automatiseren
Voor de veiligheid op het spoor en om de dienstregeling zo goed mogelijk volgens plan uit te voeren, is het van cruciaal belang dat deze seinen en borden buiten exact geplaatst zijn zoals dit is gespecificeerd op de ontwerptekeningen. Als ProRail dit zou controleren door werknemers langs het spoor te laten lopen, zou, vanwege de strenge veiligheidseisen, een groot aantal buitendienststellingen en veel personeel nodig zijn. 

Gedurende die buitendienststellingen zou geen treinverkeer mogelijk zijn. Om dit te voorkomen wil ProRail het inspecteren van assets zo veel mogelijk automatiseren. Het project Digitaal Schouwen heeft hieraan een belangrijke bijdrage geleverd. Met Machine Learning-algoritmes worden objecten herkend op camerabeelden die zijn ingewonnen vanaf de trein. De plaats van die objecten wordt bepaald aan de hand van GPS-metingen. Door deze manier van gegevensinwinning zijn minder buitendienststellingen nodig en blijft meer spoorcapaciteit beschikbaar voor het treinverkeer. De ingewonnen gegevens worden vervolgens vergeleken met de gegevens uit de ontwerptekeningen. Met de software van Digitaal Schouwen is inmiddels 800 van totaal 7000 kilometer spoor geanalyseerd, waarbij zo’n 30 afwijkingen zijn geconstateerd.

Samenwerking ProRail, TU Delft en Ordina
Het concept van Digitaal Schouwen is een aantal jaren geleden door ProRail samen met de TU Delft uitgewerkt en succesvol getest. Na deze Proof of Concept is Digitaal Schouwen als project aanbesteed en gegund aan Ordina. In twee jaar tijd heeft Ordina een volwassen oplossing gerealiseerd door in het projectteam diverse expertisegebieden bijeen te brengen.

 

Bord verkeerd geplaatst. Het verschil tussen de positie van het bord buiten en de positie van het bord op de bouwtekening is 58 meter. De aannemer heeft opdracht gekregen het bord buiten op de juiste plek te zetten

 

Machine Learning
Machine Learning speelt een belangrijke rol binnen Digitaal Schouwen. Om objecten te kunnen herkennen en op de kaart te plaatsen, wordt gebruikgemaakt van Machine Learning-algoritmes uit de Open Source Computer Vision Library. Aan de hand van trainingsets zijn detectie algoritmes in staat Hog features uit het beeldmateriaal te genereren. HOG is een afkorting van Histogram of 

Oriented Gradients. Een Hog feature bestaat uit rastercellen met berekende gradiënthistogrammen. Door het beeld naar Hog features te transformeren, blijft informatie over vorm behouden, maar verdwijnt belichting en achtergrondinformatie. Op basis van de karakteristieke vorm en gedetecteerde kleurwaarde kan de software objecten herkennen. Naarmate er meer trainingsmateriaal beschikbaar komt, worden objecten beter herkend. 

Geografische positie
Behalve het type object moet ook de geografische positie bepaald worden. De positie en kijkrichting van de camera zijn bekend via een GPS- en een kompasmeting. De plek van het object in het beeld wordt vertaald naar een richting ten opzichte van de kijkrichting van de camera. Het snijpunt van de zichtlijnen vanuit de verschillende camerabeelden waarop het object herkend is, is de geschatte geografische positie van het object. Deze wijze van plaatsbepaling wordt triangulatie genoemd. De kwaliteit van het camerabeeld en de nauwkeurigheid van de GPS-metingen zijn van doorslaggevend belang om de gegevens van het werkelijke object buiten te kunnen vergelijken met die van het object op de ontwerptekening. Een object kan uit verschillende onderdelen bestaan die als afzonderlijke elementen worden herkend. Bij een sein hoort altijd een bord met daarop het nummer van het sein en soms ook een bord met een getal wat de toegestane snelheid aangeeft, een P-bord, of een pijl-bord. De resultaten uit de Machine Learning-algoritmes moeten daarom worden samengevoegd. Daarna kunnen ze worden vergeleken met het object op de tekening.

 

De kwaliteit van het camerabeeld en de nauwkeurigheid van de GPS-metingen zijn van doorslaggevend belang om de gegevens van het werkelijke object buiten te kunnen vergelijken met die van het object op de ontwerptekening.

Ontwerptekeningen
Ontwerptekeningen (CAD-bestanden) geven de situatie van de spoorweginfrastructuur weer. Op deze tekeningen zijn onder andere seinen en snelheidsborden getekend en zijn hun locatie en andere kenmerken gespecificeerd. Aan de hand van datum en locatie van de gereden schouwrit worden automatisch alle tekeningen voor die rit opgehaald en wordt de versie opgehaald die geldig was op de datum van de schouwrit. Om de tekeningen te kunnen gebruiken, moeten deze eerst worden geëxtraheerd. Na extractie worden de objectgegevens verrijkt met de geografische positie van het object. De symbolen van objecten worden getekend naast het spoor waar ze langs staan. De positie in de lengterichting van het spoor wordt aangeduid met een kilometerwaarde op een zogeheten kilometerlint, wat vergelijkbaar is met de hectometerbordjes langs de snelweg. 

Extractie en verrijking CAD-gegevens: FME
Sporen in CAD-tekeningen zijn visueel weliswaar goed herkenbaar, maar worden getekend als losse lijnstukjes. Het was een grote uitdaging om een correcte set algoritmes te ontwikkelen om alle losse lijnstukjes die samen een spoor vormen bij elkaar te zoeken. Na extractie en verrijking kunnen de gegevens van het object dat op het camerabeeld is herkend, vergeleken worden met de gegevens van het object op de tekening. Als de overeenkomst aan alle eisen voldoet, wordt een koppeling gelegd tussen het herkende object en het object op de ontwerptekening. Voor het extraheren, het verrijken en koppelen wordt FME gebruikt.

 

 

Beoordeling
De koppeling tussen de situatie op tekening binnen en de herkende objecten buiten vindt dus automatisch plaats. Uiteindelijk is het echter de gebruiker die het eindoordeel velt. Alle beslissingen die hij neemt en de argumenten die hij aanvoert, worden traceerbaar vastgelegd. Alle gebruikers zijn zeer ervaren in het lezen van ontwerptekeningen. Dat stelde hoge eisen aan de applicatie die hen moet ondersteunen. Onderdeel van die ondersteuning is een interactieve ontwerptekening in SVG-formaat. Het interactieve karakter houdt in dat als hij een object selecteert, of de status van een object wijzigt, dit direct zichtbaar is in de tekening. Daarbij wijzigen de tabel, de tekening en het camerabeeld altijd synchroon. Op die manier wordt altijd een actueel en consistent totaalbeeld getoond. Ook voor het maken van deze interactieve tekening in SVG-formaat bleek FME een zeer geschikte tool.

Toekomst
De mogelijkheden om vanaf het bureau te schouwen zullen zich verder ontwikkelen. Daarmee wordt het steeds gemakkelijker om de kwaliteit van assets en informatie te bewaken. In de nabije toekomst wordt verwacht dat er gebruik kan worden gemaakt van stereobeelden. Daardoor wordt de nauwkeurigheid van plaatsbepaling aanmerkelijk beter. Ook zal de snelheid van beeldverwerking toenemen. Het transport van data via harde schijven wordt binnenkort vervangen door het direct uploaden van data naar de Azure cloud-omgeving, waar ook de verwerking plaatsvindt. 

Ook bij Rijkswaterstaat bestaat belangstelling voor Digitaal Schouwen. Recentelijk is gestart met een Proof of Concept. ProRail heeft de intentie om nauw met Rijkswaterstaat samen te werken.

Comments are closed.