Detecção de componentes de vagões ferroviários usando aprendizado profundo

Abstract

RESUMO: Acompanhar a saúde dos ativos ferroviários é essencial para garantir a segurança e eficiência operacional desse modal de transporte tão presente no mundo. Atualmente, atividades de inspeção nas operações ferroviárias são realizadas, em sua maioria, por mantenedores e operadores de forma presencial e visual, sendo que muitas destas inspeções ficam inviáveis por exigirem o emprego de grande quantidade de recursos ou expor as pessoas à riscos do ambiente operacional, comprometendo assim a qualidade dos processos de manutenção e operação. Com o avanço das tecnologias de aquisição de imagens e métodos de visão computacional no atual contexto da Indústria 4.0, este trabalho propõe realizar estudos e aplicações de tarefas de detecção de objetos, métodos estes que pretendem localizar e realizar a classificação de objetos em imagens, podendo ser aplicado em localização de componentes dos vagões ferroviários, o que poderá abrir espaço para futuras aplicações de processamento de imagens utilizando modelos de aprendizagem de máquina para identificação de defeitos. Na tarefa de detecção de componentes de vagões apresentada neste trabalho, a performance do método Faster R-CNN foi de 95,35% e desvio padrão de 1,52% no indicador mean average precision - mAP50. Outro método testado neste estudo foi o YOLOv4, o qual apresentou um resultado ligeiramente melhor que o método Faster R-CNN, no valor de 96,06% no mAP50, com desvio padrão de 0,78% neste indicador. Esforços adicionais podem ser realizados para avaliação do desempenho destes modelos quanto ao tempo de detecção, bem como a performance em outros indicadores utilizados em avaliações de tarefas de detecção de objeto.

ABSTRACT: The health of railroads assets is essential to ensure the safety and efficiency of these logistics operations. Nowadays, inspection activities in railroads operations are made by maintenance and operational teams by on-site observations, inside workshops or at main line operations, that could expose teams to operational risks. In some cases, it’s not possible to implement the inspection process due to the big amount of assets that need to be inspected in short time available, compromising the quality of these activities. In the current context of Industry 4.0, with the advancements in hardware to image acquisition and video analytics models, this work will propose to study a method to detect multiples objects in wagons side view, which will open space for future image processing applications using machine learning models to identify defects in wagon components. For object detecting experiments applied to wagons components presented in this study, the results of Faster R-CNN model reached 95,35% and standard deviation of 1,52% in the mean average precision - mAP50 metric. Other method evaluated, was the YOLOv4, which showed results a little better than Faster R-CNN method, with 96,06% in mAP50 and 0,78% in standard deviation of this metric. Additional efforts could be made to evaluate these methods about time to detect objects, as well as calculate others indicator to evaluate tasks in object detections application.