Engenheiros Criam Ferramenta de Detecção de Trespassing em Ferrovias com IA

Uma equipe de engenheiros da Rutgers desenvolveu uma ferramenta habilitada por IA que pode detectar trespassing em cruzamentos de ferrovias, ajudando a reduzir o número crescente de fatalidades que ocorrem há dez anos.

A nova pesquisa foi publicada no jornal Accident Analysis & Prevention.

Detectando Trespassing com IA de Forma Automática

A equipe era composta por Asim Zaman, um engenheiro de projeto da Rutgers, e Xiang Liu, um professor associado de engenharia de transporte na Escola de Engenharia da Rutgers. O casal desenvolveu uma estrutura auxiliada por IA que detecta automaticamente eventos de trespassing em ferrovias. Ela também diferencia tipos de violadores e gera cliques de vídeo dos incidentes. O sistema de IA depende de um algoritmo de detecção de objetos para processar dados de vídeo em um único conjunto de dados.

“Com essas informações, podemos responder a muitas perguntas, como em que hora do dia as pessoas mais invadem as ferrovias e se as pessoas passam pelos portões quando eles estão descendo ou subindo?” disse Zaman.

Houve um aumento consistente nos acidentes de trespassing nos Estados Unidos nos últimos anos, com centenas de pessoas mortas a cada ano. Foram feitas muitas tentativas para reduzir essas fatalidades, mas nada funcionou até agora.

A Administração Federal de Ferrovias (FRA) estimou em 2008 que cerca de 500 pessoas eram mortas anualmente ao invadir as ferrovias. Esse número aumentou para 855 em 2018, de acordo com a FRA.

Zaman e Liu definiram em sua pesquisa que invasores são pessoas ou veículos não autorizados em uma área de propriedade ferroviária ou de trânsito não destinada ao uso público, ou pessoas que entram em um cruzamento de nível sinalizado após sua ativação.

Pesquisas anteriores nessa área envolveram principalmente dados derivados de informações de vítimas, mas não levaram em conta quase-acidentes, que Zaman e Liu dizem que podem fornecer insights valiosos sobre o comportamento de invasão. Isso pode levar ao design de medidas de controle mais eficazes.

Os pesquisadores testaram sua teoria com imagens de vídeo capturadas em um cruzamento em Nova Jersey urbana. Um dos problemas com sistemas de vídeo em cruzamentos é que eles não são consistentemente revisados devido ao processo ser trabalhoso e caro.

Treinando a IA

Zaman e Liu treinaram a IA e a ferramenta de aprendizado profundo para analisar 1.632 horas de imagens de vídeo arquivadas do local de estudo. Após 68 dias de monitoramento, eles encontraram 3.004 instâncias de invasão, o que equivale a 44 por dia. Eles também descobriram que quase 70% dos invasores eram homens e cerca de um terço invadiu antes que o trem passasse. A maioria das violações ocorreu em sábados por volta das 17h.

De acordo com Zaman, esse tipo de dados granulares pode ser usado por autoridades locais para colocar policiais perto dos cruzamentos durante os horários de pico de violações, ou pode ajudar a informar os proprietários de ferrovias e tomadores de decisão sobre soluções de cruzamento mais eficazes. Essas soluções podem incluir sistemas de eliminação de cruzamentos de nível ou portões e sinais avançados.

“Todos amam dados, e é isso que estamos fornecendo”, disse Zaman.

“Queremos dar à indústria ferroviária e aos tomadores de decisão ferramentas para aproveitar o potencial não explorado da infraestrutura de vigilância por vídeo por meio da análise de risco de seus feeds de dados em locais específicos”, acrescentou Liu.

Os pesquisadores também estão realizando estudos na Virgínia e na Carolina do Norte. Eles recentemente receberam uma subvenção de US$ 583.000 do Departamento de Transporte dos EUA para expandir para outros estados, incluindo Connecticut, Louisiana e Massachusetts.