Loading...
Publication
The use of artificial intelligence in the recognition of railway assets based on high-resolution drone images
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 15.79 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Abstract
Ensuring the safety and operational continuity of railway infrastructure requires precision, efficiency, and reliability in maintenance and management practices. Traditional methods of asset management, characterized by manual processes and high error rates, often fall short of these requirements due to their labor-intensive nature and significant costs. This thesis aims to overcome these challenges by integrating advanced artificial intelligence (AI) technologies into the asset management process, with a particular focus on deep learning for automated object detection. This research explores the application of YOLOv9, the latest iteration of the You Only Look Once object detection algorithm, for identifying and cataloguing railway assets from high-resolution drone-captured images. Drones provide a unique aerial perspective, enabling comprehensive monitoring of extensive and often inaccessible railway areas. YOLOv9 is especially well-suited for this task due to its efficiency in processing large volumes of high-resolution images and its robustness in delivering real-time, high-accuracy detections. The study involved training the YOLOv9 model on a dataset of drone-captured images, which were carefully annotated with the locations and identities of various railway assets. The performance of the model was assessed by measuring its precision and recall in detecting these assets under a wide range of different environmental conditions. The findings reveal that AI can improve the precision and efficiency of railway asset management. The YOLOv9 model significantly reduced the time required for asset inspections, thereby contributing to safer railway operations. This approach highlights the scalability and flexibility of AI technologies in infrastructure management, offering valuable insights into their potential for broader applications across various sectors. The findings underscore the transformative potential of AI in improving the management of critical infrastructure and lay the groundwork for future research in this rapidly evolving field.
Garantir a segurança e a continuidade operacional da infraestrutura ferroviária requer precisão, eficiência e fiabilidade nas práticas de manutenção e gestão. Os métodos tradicionais de gestão de ativos, caracterizados por processos manuais e altas taxas de erro, muitas vezes não cumprem estes requisitos devido à sua natureza laboriosa e custos significativos. Esta tese visa superar esses desafios integrando tecnologias avançadas de inteligência artificial (IA) no processo de gestão de ativos, com especial enfoque no deep learning para a deteção automática de objetos. Esta investigação explora a aplicação do YOLOv9, a mais recente iteração do algoritmo de deteção de objetos You Only Look Once, para identificar e catalogar ativos ferroviários a partir de imagens de alta resolução capturadas por drones. O YOLOv9 é particularmente adequado para esta tarefa devido à sua eficiência no processamento de grandes volumes de imagens de alta resolução e à sua robustez em fornecer deteções de alta precisão em tempo real. O estudo envolveu o treino do modelo YOLOv9 com um conjunto de dados de imagens capturadas por drones, que foram cuidadosamente anotadas com as localizações e identidades de vários ativos ferroviários. O desempenho do modelo foi avaliado medindo a sua precision e recall na deteção desses ativos sob uma ampla gama de diferentes condições ambientais. Os resultados revelam que a IA pode melhorar a precisão e eficiência da gestão de ativos ferroviários. O modelo YOLOv9 reduziu significativamente o tempo necessário para inspeções de ativos, contribuindo assim para operações ferroviárias mais seguras. Esta abordagem destaca a escalabilidade e flexibilidade das tecnologias de IA na gestão de infraestruturas, oferecendo valiosos insights sobre o seu potencial para aplicações mais amplas em diversos setores. Esta tese sublinha o potencial transformador da IA na melhoria da gestão de infraestruturas críticas e estabelece as bases para futuras investigações neste campo em rápida evolução.
Garantir a segurança e a continuidade operacional da infraestrutura ferroviária requer precisão, eficiência e fiabilidade nas práticas de manutenção e gestão. Os métodos tradicionais de gestão de ativos, caracterizados por processos manuais e altas taxas de erro, muitas vezes não cumprem estes requisitos devido à sua natureza laboriosa e custos significativos. Esta tese visa superar esses desafios integrando tecnologias avançadas de inteligência artificial (IA) no processo de gestão de ativos, com especial enfoque no deep learning para a deteção automática de objetos. Esta investigação explora a aplicação do YOLOv9, a mais recente iteração do algoritmo de deteção de objetos You Only Look Once, para identificar e catalogar ativos ferroviários a partir de imagens de alta resolução capturadas por drones. O YOLOv9 é particularmente adequado para esta tarefa devido à sua eficiência no processamento de grandes volumes de imagens de alta resolução e à sua robustez em fornecer deteções de alta precisão em tempo real. O estudo envolveu o treino do modelo YOLOv9 com um conjunto de dados de imagens capturadas por drones, que foram cuidadosamente anotadas com as localizações e identidades de vários ativos ferroviários. O desempenho do modelo foi avaliado medindo a sua precision e recall na deteção desses ativos sob uma ampla gama de diferentes condições ambientais. Os resultados revelam que a IA pode melhorar a precisão e eficiência da gestão de ativos ferroviários. O modelo YOLOv9 reduziu significativamente o tempo necessário para inspeções de ativos, contribuindo assim para operações ferroviárias mais seguras. Esta abordagem destaca a escalabilidade e flexibilidade das tecnologias de IA na gestão de infraestruturas, oferecendo valiosos insights sobre o seu potencial para aplicações mais amplas em diversos setores. Esta tese sublinha o potencial transformador da IA na melhoria da gestão de infraestruturas críticas e estabelece as bases para futuras investigações neste campo em rápida evolução.
Description
Relatório de Estágio para obtenção de grau de mestre em Matemática Aplicada para a Indústria
Keywords
Artificial intelligence YOLOv9 Railway asset management Drone imaging Deep learning Inteligência Artificial Gestão de ativos ferroviários Imagens de drones
Citation
ROBU, Cristian – The use of artificial intelligence in the recognition of railway assets based on high-resolution drone images. Lisboa: Instituto Superior de Engenharia de Lisboa. 2024. Dissertação de Mestrado.