忘記密碼
大模型蓬勃發展,正推動人工智能進入新的發展階段。學術界和產業界積極探討如何讓人工智能、讓大模型扎根各個行業,成為提升生產效率,催化生產力變革的技術基礎設施。
OpenMMLab 近期啟動了應用案例共創計劃(以下簡稱“共創計劃”),誠邀產業伙伴共同推動 AI 應用實踐。在共創計劃中,OpenMMLab將為合作企業提供解析數據處理、模型選擇、優化和部署等全流程協助,并共享可復用的模型調參和優化經驗。雙方技術專家將緊密合作,共同推動人工智能在產業環境中的應用落地和價值實現。
“共創計劃”在軌道交通領域的首個項目率先應用于北京京港地鐵有限公司(京港地鐵),落地方案“智能化鋼軌軌面缺陷檢測”已于今年3月在京港地鐵工務完成部署并試運行。該項目以領先的人工智能技術賦能軌道交通巡檢,實現了鋼軌表面“像素級”“毫米級”缺陷的高效檢測與預警,助力軌道交通安全運行。
【鋼軌損傷細如發絲,亟需智能“巡道員”】
截至2022年底,全國鐵路營業里程達到15.5萬公里,其中高速鐵路4.2萬公里;目前已有超過51個城市投運了軌道交通, 城市軌道交通運營里程達9554.6公里。
在軌道交通運行過程中,由于輪軌作用及鋼軌材質、線路條件和人員操作等原因,鋼軌表面或次表面不可避免會產生接觸疲勞裂紋、變形、剝離、磨耗和擦傷等傷損。常見的軌面傷損往往隱藏深、尺寸小,多數損傷的尺寸甚至為“像素級”“毫米級”,難以被及時發現。軌面損傷若得不到及時發現和處理,將引發震動噪音甚至列車脫軌等問題,嚴重影響運輸安全。
長期以來,對鋼軌的檢修一直依靠軌檢車拍照或巡道工徒步巡視、肉眼判斷和采樣等方式進行,速度慢、效率低,難以對線路進行全覆蓋。例如,在京港地鐵的部分線路中,巡檢班組需攜帶30斤設備在夜間完成徒步巡檢,在地下線路幽暗的光照環境中,工作人員完成一段8公里線路的巡檢,需要耗費將近4小時。
如何將鋼軌巡檢流程數字化、自動化、智能化,進而自動感知、識別、統計、挖掘、預警全線路鋼軌損傷,最終實現數據驅動的智慧軌道工務,成為軌道運輸行業亟需解決的問題。
【AI助力軌道交通智能化升級】
為解決軌道運輸行業的上述痛點,OpenMMLab基于浦視開源體系推出“智能化鋼軌軌面缺陷檢測”方案,為精準評價鋼軌健康與壽命、智能化制定養護維修計劃,提供數據驅動的決策依據。
在該方案中,智能化檢測全程通過圖像采集、數據標注、深度學習訓練、推理預測四大步驟,完成精準定量的鋼軌表面傷損情況輸出。
圖像采集由京港地鐵研發部門組裝的多臂鋼軌檢測車完成。OpenMMLab基于開源標注平臺LabelU開發了專用的工業標注模塊,對原始圖像詳細標注分類、目標檢測、語義分割,構建起像素級數據集。在深度學習訓練階段,基于OpenMMLab開源圖像分割算法庫MMSegmentation,實現對鋼軌表面各類型傷損缺陷的像素級語義分割;借助開源模型部署算法庫MMDeploy,實現了語義分割模型的輕量化終端部署與邊緣計算。最后,在預測推理階段,通過預測結果后處理,智能識別、區分、提取、測量每一處表面傷損詳情,實現對軌面損傷程度的精準定量輸出。
軌檢多臂小車進行圖像采集
基于LabelU開發的標注模塊
波浪磨耗語義分割預測結果
鋼軌表面剝離掉塊、魚鱗裂紋語義分割及后處理
鋼軌表面剝離掉塊語義分割及面積測量
此外,雙方團隊還合作開發了基于智慧鐵路SaaS平臺的Web和移動端App應用,可供工務檢修人員隨拍隨測,提升工作效率。