Machine learning en automatische beeldherkenning. Dit zijn de ingrediënten waarmee CQM een beeldapplicatie voor de inspectie van treinrails intelligent heeft gemaakt. Met het zelflerend systeem worden mogelijke defecten op het spoor automatisch gedetecteerd. Nog maar twintig procent van alle beelden hoeft door mensen te worden bekeken. Naast efficiency levert dit een betere staat van onderhoud op en dus meer veiligheid en beschikbaarheid van het spoor. Bovendien: een algoritme knippert niet met de ogen.
Achtergrondinformatie
Inspectation is een bedrijfsonderdeel van VolkerRail (een VolkerWesselsonderneming) dat gespecialiseerd is in de monitoring van infrastructuur. Voor ProRail inspecteert het bedrijf ongeveer de helft van alle spoortrajecten in Nederland. Een onderdeel daarvan is de inspectie van spoorstaven en wissels. Voorheen gebeurde dit door mensen die letterlijk langs het spoor liepen om de controles uit te voeren. Een gevaarlijke klus. Daarom droeg ProRail tien jaar geleden alle aannemers op om de inspectie voortaan met een schouwtrein uit te voeren. Ook Inspectation heeft zo’n schouwtrein, binnenkort twee, waaronder camera’s hangen die elke halve meter foto’s van de spoorstaven maken. Elk traject wordt eens in de zes tot tien weken op deze manier gecontroleerd. Dit levert een enorme hoeveelheid beelden op die allemaal door inspecteurs van Inspectation worden bekeken. Intensief en eentonig werk, dat echter uiterst secuur moet worden uitgevoerd. ‘Je mag nauwelijks met je ogen knipperen, anders mis je iets’, aldus business consultant Clemens Schoone van Inspectation.
Proof of concept
CQM was eerder al door ProRail betrokken bij het maken van een planningssysteem voor schouwtreinen. De vele beelden, die de schouwtrein levert, inspireerden senior consultant Huub van den Broek van CQM om het inspectieproces te automatiseren: ‘Bij CQM zijn we erg enthousiast over de combinatie van beeldherkenning en machine learning. De beeldinspectie bij Inspectation was een ideaal project om de kracht van die combinatie in praktijk te brengen.’ Clemens Schoone wilde graag meewerken aan een proof of concept: ‘Op veruit de meeste beelden van de schouwtrein is geen zogenaamde squat, een beschadiging op het spoor, te zien. Het handmatig bekijken van die beelden is dus niet alleen heel intensief, maar voor een groot deel eigenlijk ook overbodig. Als dit door moderne technieken op een betrouwbare manier te automatiseren is, dan grijpen we die kans graag aan.’
State-of-the-art
Inspectation heeft haar schouwtrein al uitgerust met een state-of-the-art camerasysteem en loopt hiermee voorop in de markt. ‘De beelden zijn dus uitstekend en leveren een dataset van hoge kwaliteit, een absolute voorwaarde voor machine learning’, aldus Van den Broek. ‘Daarnaast heeft Google onlangs een deep learning toolkit vrijgegeven, waarmee vorig jaar de wereldkampioen in het bordspel Go verslagen is. CQM heeft deze TensorFlow-toolkit ingezet voor Inspectation. Bovendien hebben we de nieuwste hardware aangeschaft die de hoge-resolutiebeelden en de vele complexe wiskundige berekeningen aankan. Hiermee hebben we in diverse fasen het systeem getraind om squats te kunnen herkennen. Samen met de specialisten van Inspectation hebben we vervolgens veel testruns en tweaks gedaan om het systeem steeds beter te maken. Dit deden we handmatig, maar ook het continu perfectioneren van het algoritme zal straks automatisch door het zelflerend systeem worden gedaan.’ Inmiddels heeft CQM in de proof of concept-fase overtuigend bewezen dat het systeem werkt en wordt het algoritme in de bestaande beeldapplicatie van Inspectation verwerkt. Van den Broek: ‘De inspecteurs zien nog steeds dezelfde plaatjes en inspecteren op de vertrouwde manier. Maar in hetzelfde beeld zien ze nu ook een grafiek die door ons algoritme wordt aangestuurd. Die grafiek geeft alle waarschijnlijke squats aan. Op dit moment worden de squats al bijna perfect door het systeem herkend. Nu zitten we in de fase om de drempelwaarden in de detectie te finetunen en de eventuele false negatives en false positives tot het minimum te reduceren. Uiteindelijk is het doel dat de inspecteurs alleen nog maar plaatjes bekijken waarop het systeem een verdachte plek heeft gedetecteerd. Dit betekent dat ongeveer tachtig procent van de beelden kan worden overgeslagen. Hierdoor kan een inspecteur vijf keer efficiënter zijn werk doen.’
Veilig
De belangrijkste vraag is natuurlijk: is een systeem veilig als het meeste werk door machines wordt gedaan? Schoone: ‘Ja, daar ben ik nu honderd procent van overtuigd. Een machine kan dit werk met grotere nauwkeurigheid en betrouwbaarheid doen dan een mens. Dit heeft CQM inmiddels aangetoond. Maar uiteraard houden we steekproeven om de kwaliteit continu in de gaten te houden. Bovendien wordt nog steeds twintig procent van de beelden door mensen bekeken en zijn er tal van periodieke technische controles.’ En het spoor zelf, wordt dat nu ook veiliger? Schoone: ‘Zeker. Doordat de kwaliteit van de inspectie stijgt wordt ook de staat van onderhoud van het spoor beter. We zien beginnende defecten eerder en kunnen vroegtijdig ingrijpen als dat nodig is. Dit verhoogt niet alleen de veiligheid, maar ook de beschikbaarheid van het spoor. Dus ook minder reizigershinder door onderhoud.’
Inspectation wil met de nieuwe techniek met afstand de beste rail-inspecteur in Nederland worden en wil het systeem ook voor andere inspecties van het spoor inzetten. Voor CQM heeft het project de deur geopend naar nog veel meer toepassingen met machine learning en beeldherkenning, bijvoorbeeld in de medische wereld. Van den Broek: ‘Eén medisch specialist ziet in zijn carrière misschien een paar duizend röntgenfoto’s van een bepaalde aandoening. Stel je voor als je miljarden foto’s van alle medisch specialisten ter wereld in één beeldherkennend en zelflerend systeem onderbrengt...’
Meer weten over machine learning en automatische beeldherkenning?
Neem dan contact op met Minou. Zij vertelt er graag alles over! Wil je daarnaast op de hoogte blijven van het laatste nieuws van CQM, volg ons op LinkedIn of meld je aan voor onze digitale nieuwsbrief.
Openbaar maken en/of verveelvoudigen van teksten/beelden is alleen toegestaan na uitdrukkelijke toestemming van CQM.
Fotocredits: CQM en VolkerRail.
