Jak w SageMaker wykryć nieszczelne uszczelki okienne do pociągów?
Coraz więcej operatorów taboru zauważa, że drobne nieszczelności w oknach potrafią generować duże koszty. Pasażerowie zgłaszają przeciągi, skraplanie i hałas. A utrzymanie ruchu szuka sposobu, by wychwycić problem zanim dojdzie do zalania lub korozji.
Uczenie maszynowe może tu realnie pomóc. Połączone obrazy i dane z czujników pozwalają wykrywać objawy nieszczelności szybciej niż kontrola wzrokowa. Poniżej pokazujemy, jak zbudować takie rozwiązanie w Amazon SageMaker krok po kroku.
Jak w SageMaker wykryć nieszczelne uszczelki okienne do pociągów?
Zbuduj zestaw danych, wytrenuj model na SageMaker, oceń go i wdroż do monitoringu w czasie rzeczywistym lub na brzegu sieci.
Proces zaczyna się od zebrania obrazów okien i danych pomocniczych. W SageMaker Ground Truth przygotujesz etykiety, na przykład obszary zawilgoceń, szczelin lub zmatowień. Następnie dobierasz algorytm, trenujesz model z transfer learning, walidujesz wyniki i ustalasz próg alarmu. Gotowy model wdrażasz jako Endpoint czasu rzeczywistego albo kompilujesz w SageMaker Neo do pracy na urządzeniu pokładowym. Całość spinasz w SageMaker Pipelines i monitorujesz z Model Monitor, aby wykrywać dryf danych.
Jakie typy obrazów i czujników najlepiej ujmą nieszczelności?
Najbardziej użyteczne są obrazy RGB z bliska, termowizja oraz czujniki wilgotności i dźwięku.
Zdjęcia RGB uchwycą ślady zacieków, pęknięcia i ubytki wzdłuż uszczelki okiennej. Kamery termowizyjne pokażą różnice temperatur w strefie mostków cieplnych i przewiewów. Czujniki wilgotności pomogą potwierdzić zawilgocenie wnętrza przy ramie. Mikrofony kierunkowe mogą wykrywać charakterystyczny świst powietrza podczas jazdy. W depocie warto dodać kontrolowane testy z mgiełką wodną lub dymem, rejestrowane kamerą. Zestaw wielomodalny zwiększa czułość i odporność na zmienne oświetlenie oraz warunki pogodowe.
Jak przygotować zestaw danych dla uszczelek okiennych do pociągów?
Zbierz zróżnicowane dane, ustandaryzuj ujęcia i precyzyjnie je oznacz w SageMaker Ground Truth.
Potrzebne są obrazy różnych typów okien, wagonów i pór dnia. Ustal kadr referencyjny, na przykład cała rama i zbliżenie na narożniki. Zadbaj o przykłady prawidłowe i nieprawidłowe, w tym trudne negatywy jak krople po myciu czy zaparowanie niezwiązane z nieszczelnością. Wybierz schemat etykiet, na przykład klasy „OK” i „Nieszczelność” oraz maski segmentacji dla zacieków i szczelin. Podziel dane według pociągu lub linii na zbiory trening, walidacja i test, aby uniknąć przecieku informacji. Spisz metadane, takie jak temperatura zewnętrzna, prędkość i wilgotność, co ułatwi późniejszą analizę.
Jak wybrać architekturę modelu i transfer learning w SageMaker?
Dla obrazów zastosuj detekcję lub segmentację z transfer learning, a dla czujników modele anomalii.
Jeśli chcesz wskazać dokładne miejsca wycieku, wybierz segmentację semantyczną. Gdy wystarczy klasyfikacja okna jako szczelne lub nieszczelne, sprawdzi się klasyfikacja obrazu. SageMaker oferuje wbudowane algorytmy do tych zadań oraz gotowe notatniki i modele w JumpStart. W praktyce najlepiej zacząć od modelu z transfer learning, wytrenowanego wcześniej na dużych zbiorach, i dostroić go do własnych danych. Strumienie z czujników wilgotności lub dźwięku można analizować metodami detekcji anomalii, na przykład autoenkoderem lub dedykowanym algorytmem dla danych czasowych.
Jak zwiększyć skuteczność przy małej liczbie uszkodzonych próbek?
Wykorzystaj augmentację, uczenie anomalii, aktywne etykietowanie i dane syntetyczne.
Augmentacja zdjęć powinna obejmować zmiany oświetlenia, ekspozycji, deszcz, rozmycie i szum ruchu. Modele anomalii uczysz głównie na przykładach „OK”, co pomaga przy rzadkich usterkach. Aktywne uczenie w SageMaker kieruje do anotacji te obrazy, które model ocenia niepewnie, co przyspiesza zdobywanie wartościowych przykładów. Warto też generować dane syntetyczne, na przykład renderując ścieżki zacieków lub szczeliny na realnych kadrach. Dla niezrównoważonych klas zastosuj wagi klas lub funkcję straty odporną na dominującą klasę.
Jakie metryki i progi alarmowe stosować dla detekcji nieszczelności?
Najważniejsze są czułość i precyzja dla klasy „nieszczelność”, uzupełnione o mAP i IoU dla lokalizacji.
Czułość pokazuje, ile realnych nieszczelności model wykrywa, a precyzja ile z alarmów jest trafnych. Dla detekcji i segmentacji śledź mAP i średnie pokrycie obszaru, aby ocenić dokładność lokalizacji. Próg alarmu ustawiaj kontekstowo. W ruchu lepiej preferować wyższą czułość i agregować kilka kolejnych klatek, aby ograniczyć fałszywe alarmy. W depocie można stosować niższy próg i potwierdzenie drugim źródłem, na przykład wilgotnością. Dobrą praktyką jest macierz kosztów, która wyżej waży pominięte usterki niż fałszywe zgłoszenia.
Jak wdrożyć model do monitoringu okien w czasie rzeczywistym?
Utwórz Endpoint w SageMaker do inferencji lub skompiluj model w SageMaker Neo na urządzenie brzegowe.
Dla monitoringu z kamery w depocie użyj Endpointu czasu rzeczywistego i lekkiej kolejki obrazów. Na pokładzie pociągu warto uruchomić model na przemysłowym komputerze, co zmniejsza opóźnienia i koszty transmisji. SageMaker Neo optymalizuje model pod konkretny procesor lub akcelerator. Strumienie z czujników synchronizuj znacznikami czasu i łącz wyniki w logice fuzji. Zadbaj o wersjonowanie w Model Registry, automatyczne wdrożenia z SageMaker Pipelines oraz monitoring jakości predykcji i dryfu danych w Model Monitor.
Jak zaplanować pilotaż i integrację z utrzymaniem taboru?
Wybierz jedną linię i typ okna, zdefiniuj kryteria sukcesu i podepnij alerty pod system utrzymania.
Pilotaż powinien objąć reprezentatywne warunki, różne pory dnia i zmienną pogodę. Ustal mierniki, na przykład odsetek potwierdzonych nieszczelności oraz czas od wykrycia do naprawy. Zaprojektuj obieg pracy: kto weryfikuje alert, jak tworzy się zlecenie i kiedy następuje kontrola po naprawie. Zapewnij szkolenie dla zespołu i procedury bezpieczeństwa. Zadbaj o zgodność z wymaganiami kolejowymi, polityką prywatności i przechowywaniem danych. Po teście przeglądnij wnioski, zaktualizuj progi i planuj skalowanie na kolejne składy.
Dobrze przygotowane dane, dopasowany model i przemyślany pilotaż tworzą działające rozwiązanie, które realnie wspiera utrzymanie uszczelki okiennej do pociągów i ogranicza przestoje.
Porozmawiajmy o pilotażu w SageMaker dla uszczelek okiennych do pociągów i ustalmy plan wdrożenia.
