Ingenieurs creëren AI-hulpmiddel voor het detecteren van spoorwegindringers

Een team van ingenieurs aan de Rutgers-universiteit heeft een AI-gebaseerd hulpmiddel ontwikkeld dat kan helpen bij het detecteren van spoorwegindringers, waardoor het aantal dodelijke ongevallen op spoorwegovergangen kan worden teruggebracht.

Het onderzoek is gepubliceerd in het tijdschrift Accident Analysis & Prevention.

Automatisch detecteren van spoorwegindringers met AI

Het team bestond uit Asim Zaman, een projectingenieur aan de Rutgers-universiteit, en Xiang Liu, een associate professor in transporttechniek aan de Rutgers School of Engineering. Zij ontwikkelden een AI-gebaseerd kader dat automatisch spoorwegindringers kan detecteren en onderscheid maken tussen verschillende soorten overtreders. Het systeem gebruikt een objectdetectie-algoritme om videodata te verwerken tot een enkele dataset.

“Met deze informatie kunnen we veel vragen beantwoorden, zoals op welk tijdstip van de dag mensen het meest spoorwegindringers plegen en of mensen om hekken heen gaan als ze open of dicht gaan?” zei Zaman.

Er is een consistent stijging van spoorwegindringers in de Verenigde Staten in de afgelopen jaren, met honderden doden per jaar. Er zijn veel inspanningen gedaan om deze doden terug te dringen, maar tot nu toe heeft niets gewerkt.

De Federal Railroad Administration (FRA) schatte in 2008 dat ongeveer 500 mensen per jaar omkwamen door spoorwegindringers. Dit aantal steeg tot 855 in 2018, volgens de FRA.

Zaman en Liu definieerden in hun onderzoek spoorwegindringers als ongeautoriseerde personen of voertuigen in een gebied van spoorweg- of transporteigendom dat niet bedoeld is voor openbaar gebruik, of personen die een signaalgeactiveerde overgang betreden nadat deze is geactiveerd.

Eerder onderzoek op dit gebied is voornamelijk gebaseerd op gegevens afgeleid van slachtoffers, maar negeerde near-misses, die volgens Zaman en Liu waardevolle inzichten kunnen bieden in het gedrag van spoorwegindringers. Dit kan leiden tot het ontwerp van meer effectieve controlemaatregelen.

De onderzoekers testten hun theorie met videobeelden van een overgang in een stedelijk gebied in New Jersey. Een van de problemen met videosystemen op overgangen is dat ze niet consistent worden bekeken vanwege de arbeidsintensieve en dure procedure.

Trainen van de AI

Zaman en Liu trainden de AI en deep-learningtool om 1.632 uur aan archiefvideobeelden van de studielocatie te analyseren. Na 68 dagen van monitoring vonden ze 3.004 gevallen van spoorwegindringers, wat neerkomt op 44 per dag. Zij ontdekten ook dat ongeveer 70 procent van de spoorwegindringers mannen waren en dat ongeveer een derde van de overtreders plaatsvond voordat de trein passeerde. De meeste overtredingen vonden plaats op zaterdagen om 17.00 uur.

Volgens Zaman kan dit soort gedetailleerde gegevens worden gebruikt door lokale autoriteiten om politieagenten bij overgangen te plaatsen tijdens de tijden van piekovertredingen, of om spoorwegbezitters en besluitvormers te informeren over meer effectieve overgangsoplossingen. Deze oplossingen kunnen bestaan uit het elimineren van overgangen of het installeren van geavanceerde hekken en signalen.

“Iedereen houdt van gegevens, en dat is wat wij bieden,” zei Zaman.

“We willen de spoorwegindustrie en besluitvormers de tools geven om het ongebruikte potentieel van videosurveillancesystemen te benutten door middel van risicoanalyses van hun gegevensfeeds op specifieke locaties,” voegde Liu toe.

De onderzoekers voeren ook studies uit in Virginia en North Carolina. Zij ontvingen onlangs een subsidie van 583.000 dollar van het Amerikaanse ministerie van Verkeer om hun onderzoek uit te breiden naar andere staten, waaronder Connecticut, Louisiana en Massachusetts.