Rede neural convolucional aplicada ao reconhecimento de passagens de nível clandestinas em ferrovias

Abstract

RESUMO: A identificação de passagens clandestinas nas estradas de ferro é de grande relevância para as concessionárias das ferrovias, pois travessias irregulares de veículos e pessoas podem causar impactos no que tange a segurança pessoal, assim como na produtividade do quantitativo transportado. Com o objetivo de auxiliar neste processo, este trabalho propõe desenvolver uma aplicação utilizando Rede Neural Convolucional (CNN) para reconhecimento de passagens clandestinas através das imagens capturadas em vídeos gravados por uma câmera instalada nas locomotivas do trem de passageiros, da Estrada de Ferro Vitória Minas (EFVM). Neste sentido, realizou-se um levantamento de dados a partir do vídeo de uma viagem para a elaboração do banco de imagens devidamente rotulado. O banco de dados resultante possui mais de doze mil imagens, sendo estas passagens clandestinas e imagens que não são passagens clandestinas. Para a realização dos treinamentos das CNNs, foram avaliadas seis diferentes arquiteturas de rede com: alteração do número de filtros em cada camada convolucional; variação da quantidade de camadas convolucionais e; utilização de transferência de aprendizado da rede VGG-16 com a técnica de ajuste fino. O desempenho das arquiteturas propostas foi avaliado mediante a análise do tempo de processamento, média das métricas obtida para os Folds do processo de validação cruzada, bem como o resultado do Fold que apresentou o maior valor dessas métricas, que são a AUC, a precisão e a revocação (recall). O melhor resultado alcançado, em termos do valor médio, foi da arquitetura do Treino 2, cuja a estrutura de rede foi elaborada com 4 camadas convolucionais, sendo a primeira com 64 filtros, a segunda com 128 e a terceira e quarta com 256; e com duas camadas totalmente conectadas, utilizando 512 e 1 neurônios, respectivamente. Nesse treinamento, foram obtidas as médias de 97,13% de AUC, 96,75% de revocação e 81,55% de precisão. Os resultados alcançados neste trabalho são promissores e demonstram a viabilidade do emprego de Rede Neural Convolucional como método para identificação de passagens clandestinas na EFVM.

ABSTRACT: The identification of clandestine passages on railroads is of great relevance for railway concessionaires, as irregular crossing of vehicles and people can cause impacts in terms of personal safety, as well as in the productivity of the quantity transported. In order to assist in this process, this work proposes to develop an application using Convolutional Neural Network (CNN) for recognition of clandestine passages through images captured in recorded videos, from a camera installed on the locomotives of the passenger train of Estrada de Ferro Vitória Minas (EFVM). In this sense, a data survey was carried out using in a video of a trip for the elaboration of the duly labeled image bank. The resulting image bank has more than twelve thousand images of clandestine passages and images that are not clandestine passages. For conducting CNNs training, six different network architectures were evaluated with: change in the number of filters in each convolutional layer; variation in the amount of convolutional layers and; use of learning transfer from the VGG-16 network with the fine tuning technique. The performance of the proposed architectures was evaluated by analyzing the processing time, average of the metrics obtained for the Folds of the cross-validation process, as well as the result of the Fold that presented the highest value of these metrics, which are AUC, precision and recall. The best result achieved, in terms of average value, was the architecture of Treino 2, whose network structure was elaborated with 4 convolutional layers, the first with 64 filters, the second with 128 and the third and fourth with 256; and with two layers fully connected, using 512 and 1 neurons, respectively. In this training, averages of 97.13% AUC, 96.75% recall and 81.55% precision were obtained. The results achieved in this work are promising and demonstrate the viability of using the Convolutional Neural Network as a method for identifying clandestine passages in EFVM.