Des ingénieurs créent un outil de détection des intrusions dans les chemins de fer par IA

Une équipe d'ingénieurs de Rutgers a développé un outil compatible avec l'IA capable de détecter les intrusions sur les passages à niveau, contribuant ainsi à réduire le nombre croissant de décès survenus au cours des dix dernières années. 

La nouvelle recherche a été publiée dans la revue Analyse et prévention des accidents. 

Détection automatique des intrusions avec l'IA

L'équipe était composée d'Asim Zaman, ingénieur du projet Rutgers, et de Xiang Liu, professeur agrégé en ingénierie des transports à la Rutgers School of Engineering. La paire a développé un cadre assisté par l'IA qui détecte automatiquement les événements d'intrusion ferroviaire. Il différencie également les types de contrevenants et génère des clips vidéo des instances. Le système d'IA s'appuie 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 s'introduisent-ils le plus, et les gens contournent-ils les portes quand ils descendent ou montent ?" dit Zaman.

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

La Federal Railroad Administration (FRA) a estimé en 2008 qu'environ 500 personnes étaient tuées chaque année en empiétant sur les emprises ferroviaires. Ce nombre est passé à 855 en 2018, selon la FRA. 

Zaman et Liu ont défini dans leurs recherches que les intrus sont des personnes ou des véhicules non autorisés dans une zone de chemin de fer ou de propriété de transport en commun non destinée à un usage public, ou des personnes qui entrent dans un passage à niveau signalisé après son activation. 

Les recherches antérieures dans ce domaine ont principalement impliqué des données dérivées d'informations sur les victimes, mais elles n'ont pas pris en compte les quasi-accidents, qui, selon Zaman et Liu, peuvent fournir des informations précieuses sur le comportement d'intrusion. Cela pourrait conduire à la conception de mesures de contrôle plus efficaces. 

Les chercheurs ont testé leur théorie avec des séquences vidéo capturées à un passage à niveau dans le New Jersey urbain. L'un des problèmes des systèmes vidéo aux passages à niveau est qu'ils ne sont pas systématiquement examinés car le processus est coûteux et demande beaucoup de main-d'œuvre. 

Former l'IA

Zaman et Liu ont formé l'IA et l'outil d'apprentissage en profondeur pour analyser 1,632 68 heures de séquences vidéo d'archives du site d'étude. Après 3,004 jours de surveillance, ils ont trouvé 44 70 cas d'intrusion, soit en moyenne 5 par jour. Ils ont également découvert que près de XNUMX % des intrus étaient des hommes et qu'environ un tiers avaient commis une intrusion avant le passage du train. La plupart des violations ont eu lieu le samedi vers XNUMX heures. 

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

 "Tout le monde aime les données, et c'est ce que nous offrons", a déclaré Zaman.

"Nous voulons donner à l'industrie ferroviaire et aux décideurs des outils pour exploiter le potentiel inexploité de l'infrastructure de vidéosurveillance grâce à l'analyse des risques de leurs flux de données dans des endroits 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 XNUMX $ du Département américain des transports pour s'étendre à d'autres États, notamment le Connecticut, la Louisiane et le Massachusetts.