Eisenbahninspektion mit Deep Learning

Eisenbahninspektion mit Deep Learning

29. Februar 2020 - Für die Überwachung von Infrastrukturobjekten entlang der Schienen werden im Projekt AISI (Artificial Intelligence Streckeninspektion) der SBB mithilfe von neuronalen Netzen Methoden entwickelt, um die Effizienz und Effektivität der Streckeninspektion zu verbessern.
Artikel erschienen in IT Magazine 2020/03

Neuronale Netze als Lösung

Die SBB hat 2017 einen ersten Proof of Concept mit einem externen Partner lanciert und neuronale Netze als möglichen Ersatz der bestehenden Algorithmen in Betracht gezogen. «Damals wurde zusammen mit dem CSEM in Alpnach ein Innosuisse-Projekt mit erfolgsversprechenden Resultaten durchgeführt», erklärt Casutt. Die Ziele des Projekts waren zum einen das Erarbeiten von Algorithmen zur Detektion von Schienenoberflächenfehlern und zum anderen die Erarbeitung eines Algorithmus zur eineindeutigen Identifikation (Fingerprinting) für diese Fehlerbilder. Hierbei übernahm das CSEM Alpnach die Entwicklung der Algorithmen und die SBB stellte den Business­bezug sowie die Einbindung in deren IT-Systemlandschaft sicher.

Das Anforderungsprofil und das Erfüllen der gesteckten Ziele an das neue, KI-basierte System sah deshalb sehr anspruchsvoll aus. «Grundsätzlich sollte der manuelle Aufwand beim Nachvalidieren verkleinert werden», erklärt Casutt. Primärer Hebel dazu sei die Reduktion von False-Positive-Resultaten bei gleichbleibender Detektionsrate auf der einen Seite und Wiedererkennen von bereits validierten Abweichungen auf der Anderen. «Wenn eine Abweichung wiedererkannt und eindeutig identifiziert werden kann, wird auch der Aufwand zum Validieren verkleinert. Die Abweichung wird nur noch neu validiert, wenn sie sich seit der letzten Messfahrt verändert hat.»

Hürde manueller Aufwand

Die Integration der Künstlichen Intelligenz und die Implementierung des Systems ist soweit gelungen und die SBB setzt den ersten Algorithmus nun bereits produktiv ein. Die Operationalisierung dauerte dabei rund ein Jahr. «Insbesondere der Aufbau eines Feedbackloops, um die Algorithmik immer weiter mittels Machine Learning zu verbessern, hat einiges an architektonischer Anpassung ausgelöst», meint Casutt dazu und ergänzt: «Unsere Lösung wird nun zur Referenzarchitektur für solche Systeme innerhalb der SBB.»

Ausgelöst wurden die Bestrebungen, die maschinelle Streckeninspektion mit Hilfe neuronaler Netze durchzuführen, durch den manuellen Aufwand beim Validieren der False Positives: «Wie bereits beschrieben hatten wir Probleme mit dem manuellen Aufwand, der nötig war, um die False-Positive-Resultate der klassischen bildverarbeitenden Algorithmen zu validieren», so ­Casutt. «Hierbei sprechen wir von Tausenden von Bildern, welche von Menschen angeschaut und bewertet werden mussten.»

Von der Idee, Künstliche Intelligenz einzusetzen, bis zum finalen System galt es mehrere Knackpunkte zu meistern, erinnert sich Joël Casutt. Einerseits stellte die zu geringe Bandbreite des Netzwerks ein Problem dar, um die sehr grossen Rohbilder zu transportieren, andererseits musste die Anzeigesoftware so erweitert werden, dass ein Feedbackloop zurück zum Modell zu Trainingszwecken möglich wurde. Ein weiterer entscheidender Punkt war es, das Releasemanagement so auszuweiten, dass künftig nicht nur neue Releases der Algorithmen, aber auch neue Trainingsdatensätze und die resultierenden Konfigurationen der Modelle berücksichtigt werden können. Schlussendlich musste eine performante Umgebung für das Inferencing, also das Ziehen von Schlussfolgerungen aus den Daten, gefunden werden.

Neuen Kommentar erfassen

Anti-Spam-Frage Wie hiess im Märchen die Schwester von Hänsel?
Antwort
Name
E-Mail
SPONSOREN & PARTNER