Інженери створили інструмент для виявлення порушень на залізничних переїздах за допомогою штучного інтелекту

Група інженерів у Rutgers розробила інструмент, що використовує штучний інтелект для виявлення порушень на залізничних переїздах, що допоможе зменшити кількість випадків смерті, які відбуваються протягом останніх десяти років.

Нові дослідження були опубліковані в журналі Accident Analysis & Prevention.

Автоматичне виявлення порушень за допомогою штучного інтелекту

Група складалася з Асіма Замана, інженера проекту Rutgers, та Сяня Ліу, доцента транспортної інженерії в школі інженерії Rutgers. Дуэт розробив каркас, що використовує штучний інтелект для автоматичного виявлення порушень на залізничних переїздах. Він також розрізняє типи порушників та генерує відеокліпи випадків. Система штучного інтелекту використовує алгоритм виявлення об’єктів для обробки відеоданих у єдиний набір даних.

“За допомогою цієї інформації ми можемо відповісти на багато питань, наприклад, у який час доби люди найчастіше порушують правила, і чи люди обходять ворота, коли вони закриваються чи відкриваються?” сказав Заман.

За останні роки в США спостерігається стійке зростання кількості випадків порушень на залізничних переїздах, при цьому щороку гине сотні людей. Було багато спроб зменшити ці випадки смерті, але нічого ще не працює.

Федеральне управління залізниць (FRA) оцінило у 2008 році, що близько 500 людей гинули щороку через порушення правил на залізничних переїздах. Ця цифра зросла до 855 у 2018 році, згідно з даними FRA.

Заман і Ліу визначили у своєму дослідженні, що порушниками є необлаштовані особи чи транспортні засоби у зоні залізниці або території транспорту, не призначеної для публічного використання, або люди, які входять у сигналізований залізничний переїзд після його активації.

Попередні дослідження в цій галузі здебільшого включали дані, отримані з інформації про випадки смерті, але вони не враховували близькі випадки, які, на думку Замана і Ліу, можуть надати цінну інформацію про поведінку порушників. Це може привести до розробки більш ефективних заходів контролю.

Дослідники перевірили свою теорію за допомогою відеозаписів, зроблених на залізничному переїзді в міському Нью-Джерсі. Однією з проблем відеосистем на переїздах є те, що вони не завжди переглядаються через те, що процес є трудомістким і дорогим.

Навчання штучного інтелекту

Заман і Ліу навчили штучний інтелект і інструмент глибокого навчання аналізувати 1 632 години архівних відеозаписів з місця дослідження. Після 68 днів моніторингу вони виявили 3 004 випадки порушень, що у середньому становило 44 випадки на добу. Вони також виявили, що майже 70 відсотків порушників були чоловіками, а близько третини порушників робили це до проходження потягу. Більшість порушень відбувалися у суботу о 17:00.

За словами Замана, такий тип детальної інформації може бути використаний місцевими органами влади для розміщення поліцейських біля залізничних переїздів під час пікових порушень, або це може допомогти інформувати власників залізниць і осіб, які приймають рішення, про більш ефективні рішення для залізничних переїздів. Такі рішення можуть включати системи ліквідації залізничних переїздів або вдосконалені ворота і сигнали.

“Кожен любить дані, і саме це ми і надаємо”, сказав Заман.

“Ми хочемо надати залізничній промисловості та особам, які приймають рішення, інструменти для використання потенціалу відеоспостереження через аналіз ризиків їхніх даних у конкретних місцях”, додав Ліу.

Дослідники також проводять дослідження у Вірджинії та Північній Кароліні. Нещодавно їм було надано грант у розмірі 583 000 доларів США від Міністерства транспорту США для розширення досліджень в інші штати, включаючи Коннектикут, Луїзіану та Массачусетс.