Ingenieros crean herramienta de detección de intrusión ferroviaria con IA

Un equipo de ingenieros de Rutgers ha desarrollado una herramienta habilitada para IA que puede detectar intrusiones en cruces de ferrocarril, lo que ayuda a reducir el número creciente de muertes que se han producido en los últimos diez años. 

La nueva investigación fue publicada en la revista Análisis y prevención de accidentes. 

Detección automática de allanamiento con IA

El equipo estaba formado por Asim Zaman, ingeniero de proyectos de Rutgers, y Xiang Liu, profesor asociado de ingeniería de transporte en la Escuela de Ingeniería de Rutgers. La pareja desarrolló un marco asistido por IA que detecta automáticamente los eventos de intrusión ferroviaria. También diferencia tipos de infractores y genera videoclips de las instancias. El sistema de IA se basa en un algoritmo de detección de objetos para procesar datos de video en un solo conjunto de datos. 

“Con esta información podemos responder numerosas preguntas, como a qué hora del día la gente traspasa más y si la gente rodea las puertas cuando bajan o suben”. dijo Zaman.

Ha habido un aumento constante en los accidentes de allanamiento en los Estados Unidos en los últimos años, y cada año mueren cientos de personas. Ha habido muchos esfuerzos para reducir estas muertes, pero nada ha funcionado todavía. 

La Administración Federal de Ferrocarriles (FRA, por sus siglas en inglés) estimó en 2008 que alrededor de 500 personas morían anualmente al traspasar los derechos de paso del ferrocarril. Ese número aumentó a 855 en 2018, según la FRA. 

Zaman y Liu definieron en su investigación que los intrusos son personas o vehículos no autorizados en un área de propiedad ferroviaria o de tránsito que no está destinada al uso público, o personas que ingresan a un paso a nivel señalizado después de haber sido activado. 

La investigación anterior en esta área involucró principalmente datos derivados de información sobre víctimas, pero no tuvo en cuenta los cuasi accidentes, que, según Zaman y Liu, pueden proporcionar información valiosa sobre el comportamiento de intrusión. Esto podría conducir al diseño de medidas de control más efectivas. 

Los investigadores probaron su teoría con imágenes de video capturadas en un cruce en la zona urbana de Nueva Jersey. Uno de los problemas con los sistemas de video en los cruces es que no se revisan constantemente debido a que el proceso requiere mucho trabajo y es costoso. 

Entrenamiento de la IA

Zaman y Liu entrenaron la IA y la herramienta de aprendizaje profundo para analizar 1,632 horas de imágenes de video de archivo del sitio de estudio. Después de 68 días de monitoreo, encontraron 3,004 casos de allanamiento, con un promedio de 44 por día. También descubrieron que casi el 70 por ciento de los intrusos eran hombres, y alrededor de un tercio invadió antes de que pasara el tren. La mayoría de las violaciones ocurrieron los sábados alrededor de las 5 p.m. 

Según Zaman, las autoridades locales podrían utilizar este tipo de datos granulares para ubicar a los agentes de policía cerca del cruce durante los momentos de mayor cantidad de infracciones, o puede ayudar a informar a los propietarios de vías férreas y a los responsables de la toma de decisiones sobre soluciones de cruce más efectivas. Este tipo de soluciones podrían incluir sistemas de eliminación de pasos a nivel o puertas y señales avanzadas. 

 “A todo el mundo le encantan los datos, y eso es lo que ofrecemos”, dijo Zaman.

“Queremos brindar a la industria ferroviaria y a los tomadores de decisiones herramientas para aprovechar el potencial sin explotar de la infraestructura de videovigilancia a través del análisis de riesgo de sus fuentes de datos en ubicaciones específicas”, agregó Liu. 

Los investigadores también están realizando estudios en Virginia y Carolina del Norte. Recientemente recibieron una subvención de $583,000 del Departamento de Transporte de EE. UU. para expandirse a otros estados, incluidos Connecticut, Luisiana y Massachusetts.