Ingenieurs maken een AI-tool voor het detecteren van verboden terrein

Een team van ingenieurs bij Rutgers heeft een AI-tool ontwikkeld die verboden terrein bij spoorwegovergangen kan detecteren, waardoor het toenemende aantal dodelijke slachtoffers in de afgelopen tien jaar kan worden verminderd. 

Het nieuwe onderzoek is in het tijdschrift gepubliceerd Ongevallenanalyse en -preventie. 

Automatisch opsporen van verboden terrein met AI

Het team bestond uit Asim Zaman, een projectingenieur van Rutgers, en Xiang Liu, universitair hoofddocent transporttechniek aan de Rutgers School of Engineering. Het paar ontwikkelde een AI-ondersteund raamwerk dat automatisch spoorwegovertredingen detecteert. Het onderscheidt ook soorten overtreders en genereert videoclips van de instanties. Het AI-systeem vertrouwt op een algoritme voor objectdetectie om videogegevens te verwerken tot een enkele dataset. 

"Met deze informatie kunnen we tal van vragen beantwoorden, zoals op welk tijdstip van de dag komen mensen het meest binnen en gaan mensen om de poorten heen als ze naar beneden of naar boven gaan?" zei Zaman.

Er is de afgelopen jaren een constante stijging geweest van ongevallen op verboden terrein in de Verenigde Staten, waarbij elk jaar honderden mensen om het leven kwamen. Er zijn veel pogingen gedaan om het aantal dodelijke slachtoffers terug te dringen, maar niets heeft tot nu toe gewerkt. 

De Federal Railroad Administration (FRA) schatte in 2008 dat jaarlijks ongeveer 500 mensen om het leven kwamen bij het overtreden van spoorwegrechten. Dat aantal is volgens het FRA in 855 opgelopen tot 2018. 

Zaman en Liu definieerden in hun onderzoek dat overtreders onbevoegde personen of voertuigen zijn in een gebied van spoorweg- of transitterreinen die niet bedoeld zijn voor openbaar gebruik, of mensen die een bewegwijzerde overweg betreden nadat deze is geactiveerd. 

Eerder onderzoek op dit gebied omvatte voornamelijk gegevens die waren afgeleid van informatie over slachtoffers, maar er werd geen rekening gehouden met bijna-ongevallen, die volgens Zaman en Liu waardevolle inzichten kunnen bieden in het gedrag van verboden terrein. Dit kan leiden tot het ontwerpen van effectievere beheersmaatregelen. 

De onderzoekers testten hun theorie met videobeelden die waren vastgelegd op een kruispunt in het stedelijke New Jersey. Een van de problemen met videosystemen bij kruisingen is dat ze niet consequent worden gecontroleerd omdat het proces arbeidsintensief en duur is. 

De AI trainen

Zaman en Liu trainden de AI en deep-learning tool om 1,632 uur aan archiefvideobeelden van de onderzoekslocatie te analyseren. Na 68 dagen toezicht vonden ze 3,004 gevallen van inbraak, wat neerkomt op gemiddeld 44 per dag. Ze ontdekten ook dat bijna 70 procent van de overtreders mannen waren, en ongeveer een derde overtrad voordat de trein passeerde. De meeste overtredingen vonden plaats op zaterdag rond 5 uur 

Volgens Zaman zou dit soort gedetailleerde gegevens door lokale autoriteiten kunnen worden gebruikt om politieagenten in de buurt van oversteekplaatsen te plaatsen tijdens piekovertredingen, of om spoorwegeigenaren en besluitvormers te informeren over effectievere oversteekoplossingen. Dit soort oplossingen kan bestaan ​​uit systemen voor het elimineren van spoorwegovergangen of geavanceerde poorten en seinen. 

 "Iedereen houdt van data, en dat is wat we bieden", zegt Zaman.

"We willen de spoorwegindustrie en besluitvormers tools geven om het onbenutte potentieel van videobewakingsinfrastructuur te benutten door de risicoanalyse van hun datafeeds op specifieke locaties", voegde Liu toe. 

De onderzoekers voeren ook studies uit in Virginia en North Carolina. Ze kregen onlangs een subsidie ​​van $ 583,000 van het Amerikaanse ministerie van Transport om uit te breiden naar andere staten, waaronder Connecticut, Louisiana en Massachusetts.