Les ingénieurs créent un outil de détection de trespassing ferroviaire basé sur l’IA

Une équipe d’ingénieurs de Rutgers a développé un outil basé sur l’IA qui peut détecter les intrusions sur les passages à niveau ferroviaires, aidant ainsi à réduire le nombre croissant de décès survenus au cours des dix dernières années.

Les nouvelles recherches ont été publiées dans le journal Accident Analysis & Prevention.

Détection automatique des intrusions avec l’IA

L’équipe était composée d’Asim Zaman, un ingénieur de projet de Rutgers, et de Xiang Liu, un professeur associé en génie des transports à la Rutgers School of Engineering. Le duo a développé un cadre aidé par l’IA qui détecte automatiquement les événements d’intrusion ferroviaire. Il différencie également les types de contrevenants et génère des extraits vidéo des instances. Le système d’IA repose sur un algorithme de détection d’objets pour traiter les données vidéo en un seul ensemble de données.

« Avec ces informations, nous pouvons répondre à de nombreuses questions, comme à quelle heure de la journée les gens pénètrent le plus souvent, et est-ce que les gens contournent les portes lorsqu’elles sont en train de fermer ou d’ouvrir ? » a déclaré Zaman.

Il y a eu une augmentation constante des accidents d’intrusion aux États-Unis au cours des dernières années, avec des centaines de personnes tuées chaque année. De nombreux efforts ont été déployés pour réduire ces décès, mais rien n’a fonctionné jusqu’à présent.

L’Administration fédérale des chemins de fer (FRA) a estimé en 2008 que environ 500 personnes étaient tuées chaque année en pénétrant sur les voies ferrées. Ce chiffre est passé à 855 en 2018, selon la FRA.

Zaman et Liu ont défini dans leurs recherches que les contrevenants sont des personnes ou des véhicules non autorisés dans une zone de chemin de fer ou de propriété de transport non destinée à une utilisation publique, ou des personnes qui pénètrent un passage à niveau signalisé après son activation.

Les recherches antérieures dans ce domaine ont principalement porté sur des données dérivées d’informations sur les victimes, mais elles n’ont pas pris en compte les quasi-accidents, que Zaman et Liu estiment pouvoir fournir des informations précieuses sur le comportement des contrevenants. Cela pourrait conduire à la conception de mesures de contrôle plus efficaces.

Les chercheurs ont testé leur théorie avec des images vidéo capturées à un passage à niveau dans le New Jersey urbain. L’un des problèmes avec les systèmes vidéo aux passages à niveau est qu’ils ne sont pas systématiquement examinés en raison de la nature fastidieuse et coûteuse du processus.

Formation de l’IA

Zaman et Liu ont formé l’IA et l’outil d’apprentissage automatique pour analyser 1 632 heures d’images vidéo d’archives du site d’étude. Après 68 jours de surveillance, ils ont découvert 3 004 cas d’intrusion, ce qui équivaut à 44 par jour. Ils ont également constaté que près de 70 % des contrevenants étaient des hommes, et qu’environ un tiers ont pénétré avant le passage du train. La plupart des violations ont eu lieu le samedi vers 17 heures.

Selon Zaman, ce type de données granulaires pourrait être utilisé par les autorités locales pour placer des policiers près des passages à niveau pendant les heures de pointe, ou pour informer les propriétaires de chemins de fer et les décideurs de solutions de passage plus efficaces. Ces types de solutions pourraient inclure des systèmes d’élimination de passages à niveau ou des portes et des signaux avancés.

« Tout le monde aime les données, et c’est ce que nous fournissons », a déclaré Zaman.

« Nous voulons donner à l’industrie ferroviaire et aux décideurs les outils pour exploiter le potentiel inexploité de l’infrastructure de surveillance vidéo grâce à l’analyse des risques de leurs flux de données dans des emplacements spécifiques », a ajouté Liu.

Les chercheurs mènent également des études en Virginie et en Caroline du Nord. Ils ont récemment reçu une subvention de 583 000 dollars du ministère des Transports des États-Unis pour étendre leurs recherches à d’autres États, notamment le Connecticut, la Louisiane et le Massachusetts.