Development of automatic videoinspection railway system, the experimental prototype
The result's identifiers
Result code in IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F27223663%3A_____%2F20%3AN0000001" target="_blank" >RIV/27223663:_____/20:N0000001 - isvavai.cz</a>
Result on the web
—
DOI - Digital Object Identifier
—
Alternative languages
Result language
čeština
Original language name
Vývoj automatizovaného systému videoinspekce železničního roštu - funkční prototyp pro experimenty
Original language description
V průběhu celého projektu došlo k pořízení videoinspekčního hardware systému a nízkoúrovňového snímacího software pro záznam videa snímaného železničního roštu implementovaný na vybraný měřící vůz. Rovněž byl vybrán dodavatel zajišťující měření a sběr dat. Nasbíraná data byla průběžně vyhodnocována a zpracována procesní linkou pomocí metod strojového učení neuronové sítě. Programování softwarového vybavení pro učení neuronových sítí a softwarové nástroje, které realizují automatické vyhodnocení dat pomocí vytvořených neuronových sítí, jsou hlavním výstupem projektu a tvoří s hardwarem spolehlivý integrovaný funkční celek, který lze rutinně provozovat na diagnostických měřicích vozech. Po naučení je neuronová síť přepnuta do módu rozpoznávání, kdy jsou jí předkládána další data z měření videoinspekce a neuronová síť v nich rozpoznávala v oblasti zájmu a určuje kategorizaci identifikovaného jevu – typicky hledáme konkrétní vady upevňovadel železničního svršku. Celý systém se tak naučil rozpoznávat definované kategorie vad, které je schopen průběžně vyhodnocovat. Úplný technický popis výzkumu a vývoje vyhodnocování a rozpoznávání vad je popsán v dokumentech funkčního prototypu a ověřené technologie. Projektové řízení: projekt byl řízen v souladu s metodikou PRINCE 2 a veškerá výběrová řízení byla realizována v souladu splatnou metodikou o výběru dodavatele OPPIK (resp. ZVZ). Přínos projektu pro Příjemce podpory: Značný přínos implementovaného řešení je integrace technologii Tensorflow, OpenCV v rámci zpracování dat a analýzy pomocí série neuronových sítí. Ty jsou dále kombinovány s detailními snímky z lineárních kamer a unikátní datovou základnou vzniklou během projektu. Unikátním způsobem toto řešení využívá několik rozdílných neuronových sítí pro různé části řešené úlohy. Celý řetězec je paralelizován a využívá výpočtů na grafických kartách pro získání odpovědí v co nejkratším čase. V rámci projektu jsme vytvořili a implementovali vlastní neuronové sítě, které nejsou převzaté od třetích stran a tyto sítě jsou specificky naučené rozpoznávat charakter upevňovadel a jejich defektů na železnicích České republiky. Využitelnost je z historických důvodů 100% možná i na celé železniční síti na Slovensku a dále v řadě zemí střední a západní Evropy. Nasazení v Americe, Asii nebo Africe by vyžadovalo kontrolní měření pro detekci případných specifik místních železničních tratí. Shrnutí dalšího postupu pro uplatnění výstupů v praxi: Realizací projektu vznikly výsledky výzkumu, vývoje a inovací, které byly uskutečněny realizačním týmem a vznikl funkční prototyp. Ten jsme dále experimentováním testovali a prováděli jeho rozšíření a vylepšení. Výsledky výzkumu ve formě prototypu hodlá příjemce představit na veletrzích a připravit pro prodej na zahraničních trzích (Slovensko, Polsko, Maďarsko). Dále je připraven jednat o využití a představení technologie, popř. o dalším prodeji SŽ v České republice, co by dominantního provozovatele železniční infrastruktury v ČR. Identifikace finálních uživatelů v projektu: Jako hlavní uživatel výstupu projektu je SŽ. Obdobně však všech výsledků a výstupů projektu jsou provozovatelé kolejových vozidel a infrastruktury kolejových vozidel (metro, tramvaje).
Czech name
Vývoj automatizovaného systému videoinspekce železničního roštu - funkční prototyp pro experimenty
Czech description
V průběhu celého projektu došlo k pořízení videoinspekčního hardware systému a nízkoúrovňového snímacího software pro záznam videa snímaného železničního roštu implementovaný na vybraný měřící vůz. Rovněž byl vybrán dodavatel zajišťující měření a sběr dat. Nasbíraná data byla průběžně vyhodnocována a zpracována procesní linkou pomocí metod strojového učení neuronové sítě. Programování softwarového vybavení pro učení neuronových sítí a softwarové nástroje, které realizují automatické vyhodnocení dat pomocí vytvořených neuronových sítí, jsou hlavním výstupem projektu a tvoří s hardwarem spolehlivý integrovaný funkční celek, který lze rutinně provozovat na diagnostických měřicích vozech. Po naučení je neuronová síť přepnuta do módu rozpoznávání, kdy jsou jí předkládána další data z měření videoinspekce a neuronová síť v nich rozpoznávala v oblasti zájmu a určuje kategorizaci identifikovaného jevu – typicky hledáme konkrétní vady upevňovadel železničního svršku. Celý systém se tak naučil rozpoznávat definované kategorie vad, které je schopen průběžně vyhodnocovat. Úplný technický popis výzkumu a vývoje vyhodnocování a rozpoznávání vad je popsán v dokumentech funkčního prototypu a ověřené technologie. Projektové řízení: projekt byl řízen v souladu s metodikou PRINCE 2 a veškerá výběrová řízení byla realizována v souladu splatnou metodikou o výběru dodavatele OPPIK (resp. ZVZ). Přínos projektu pro Příjemce podpory: Značný přínos implementovaného řešení je integrace technologii Tensorflow, OpenCV v rámci zpracování dat a analýzy pomocí série neuronových sítí. Ty jsou dále kombinovány s detailními snímky z lineárních kamer a unikátní datovou základnou vzniklou během projektu. Unikátním způsobem toto řešení využívá několik rozdílných neuronových sítí pro různé části řešené úlohy. Celý řetězec je paralelizován a využívá výpočtů na grafických kartách pro získání odpovědí v co nejkratším čase. V rámci projektu jsme vytvořili a implementovali vlastní neuronové sítě, které nejsou převzaté od třetích stran a tyto sítě jsou specificky naučené rozpoznávat charakter upevňovadel a jejich defektů na železnicích České republiky. Využitelnost je z historických důvodů 100% možná i na celé železniční síti na Slovensku a dále v řadě zemí střední a západní Evropy. Nasazení v Americe, Asii nebo Africe by vyžadovalo kontrolní měření pro detekci případných specifik místních železničních tratí. Shrnutí dalšího postupu pro uplatnění výstupů v praxi: Realizací projektu vznikly výsledky výzkumu, vývoje a inovací, které byly uskutečněny realizačním týmem a vznikl funkční prototyp. Ten jsme dále experimentováním testovali a prováděli jeho rozšíření a vylepšení. Výsledky výzkumu ve formě prototypu hodlá příjemce představit na veletrzích a připravit pro prodej na zahraničních trzích (Slovensko, Polsko, Maďarsko). Dále je připraven jednat o využití a představení technologie, popř. o dalším prodeji SŽ v České republice, co by dominantního provozovatele železniční infrastruktury v ČR. Identifikace finálních uživatelů v projektu: Jako hlavní uživatel výstupu projektu je SŽ. Obdobně však všech výsledků a výstupů projektu jsou provozovatelé kolejových vozidel a infrastruktury kolejových vozidel (metro, tramvaje).
Classification
Type
G<sub>prot</sub> - Prototype
CEP classification
—
OECD FORD branch
20205 - Automation and control systems
Result continuities
Project
<a href="/en/project/EG17_107%2F0011235" target="_blank" >EG17_107/0011235: Improvement of the automated solution of the system for video inspection of the railway grid, adaptation to the environment specifics of Czech railway routes</a><br>
Continuities
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Others
Publication year
2020
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data specific for result type
Internal product ID
CZ.01.1.02/0.0/0.0/17_107/0011235
Numerical identification
—
Technical parameters
Značný přínos implementovaného řešení je integrace technologii tensorflow, openCV v rámci zpracování dat a analýzy pomocí série neuronových sítí. Ty jsou dále kombinovány s detailními snímky z lineárních kamer a unikátní datovou základnou vzniklou během projektu. Unikátním způsobem toto řešení využívá několik rozdílných neuronových sítí pro různé části řešené úlohy. Celý řetězec je paralelizován a využívá výpočtů na grafických kartách pro získání odpovědí v co nejkratším čase. V rámci projektu jsme vytvořili a implementovali vlastní neuronové sítě, které nejsou převzaté od třetích stran a tyto sítě jsou specificky naučené rozpoznávat charakter upevňovadel a jejich defektů na železnicích České republiky. Využitelnost je z historických důvodů 100% možná i na celé železniční síti na Slovensku a dále v řadě zemí střední a západní Evropy. Nasazení v Americe, Asii nebo Africe by vyžadovalo kontrolní měření pro detekci případných specifik místních železničních tratí.
Economical parameters
zatím nerelevantní
Application category by cost
—
Owner IČO
27223663, 64050696
Owner name
ENEX GROUP s.r.o., FoxCom s.r.o.
Owner country
CZ - CZECH REPUBLIC
Usage type
A - K využití výsledku jiným subjektem je vždy nutné nabytí licence
Licence fee requirement
A - Poskytovatel licence na výsledek požaduje licenční poplatek
Web page
—