Smart Railway Obstruction Detection System using IoT and Computer Vision

Resumen Técnico: NETRA – Un Sistema Inteligente de Detección de Obstrucciones Ferroviarias

Enunciado del Problema
Los Ferrocarriles de la India enfrentan desafíos críticos de seguridad derivados de dos fuentes principales: intrusiones de vida silvestre (particularmente en corredores de elefantes) y obstrucciones maliciosas deliberadas (sabotaje mediante varillas de hierro o rocas). Las soluciones existentes, como el sistema "Gajraj" basado en fibra óptica, sufren de costos de despliegue prohibitivos (1.000 USD/km) y altas tasas de falsas alarmas, lo que limita su cobertura a solo 20 de los 101 corredores de elefantes de la India. Además, muchos sistemas basados en visión requieren operación continua de cámaras y hardware de nivel GPU, lo que los hace inadecuados para entornos periféricos remotos con limitaciones de energía. Existe una falta de sistemas unificados, rentables e independientes de internet capaces de realizar detección en tiempo real tanto de vida silvestre como de obstrucciones.

Metodología
El artículo propone NETRA, un marco de detección de intrusiones multicapa diseñado para el despliegue en el borde en plataformas Raspberry Pi. La arquitectura del sistema consta de cinco etapas secuenciales:

1. Fusión Probabilística de Sensores: El sistema emplea una capa de sensores de dos etapas para minimizar los falsos positivos antes de activar componentes intensivos en energía.

   • Disparador de Movimiento: Un sensor PIR HC-SR501 detecta el movimiento inicial.
   • Validación Espacial: Tras la activación del PIR, un sensor ultrasónico HC-SR04 mide la distancia.
   • Lógica de Fusión: Un modelo probabilístico calcula una probabilidad de intrusión ($P_{intrusion}$) ponderando la evidencia de movimiento del PIR ($w_{PIR}=0.4$) y la validación espacial basada en distancia ($w_{dist}=0.6$).
   • Activación Dirigida por Eventos: Una cámara se activa solo si $P_{intrusion}$ supera un umbral optimizado empíricamente ($\tau_c = 0.65$). Este enfoque reduce el procesamiento visual innecesario en un 52%.

2. Clasificación con IA en el Borde: Una vez activado, el sistema clasifica la amenaza localmente utilizando modelos de Aprendizaje Profundo adaptados al hardware:

   • Raspberry Pi Zero (Nivel de Bajo Costo): Utiliza MobileNet-SSD (preentrenado en PASCAL VOC). Debido a la falta de una clase explícita de "elefante", depende de una heurística basada en tamaño (relación del área del cuadro delimitador $\geq 0.25$) para inferir elefantes, junto con la detección directa de humanos y análisis basado en contornos para obstrucciones.
   • Raspberry Pi 4 (Nivel de Alto Rendimiento): Utiliza YOLOv5s (cuantizado a INT8, ejecutándose mediante ONNX Runtime). Este modelo se ha ajustado finamente en un conjunto de datos personalizado de más de 2.500 imágenes ferroviarias, permitiendo la detección nativa de múltiples clases (elefantes, humanos, obstrucciones) sin heurísticas.

3. Transmisión de Alertas: Las amenazas confirmadas se transmiten mediante LoRa (868 MHz) a un microcontrolador ESP32 en el tren que se aproxima. El sistema utiliza un factor de dispersión adaptativo (SF7–SF12) para garantizar una comunicación fiable en un rango de 1–2 km sin infraestructura celular.

Contribuciones Clave

• Marco Unificado de Detección: NETRA es el primer sistema propuesto que detecta simultáneamente vida silvestre (específicamente elefantes) y obstrucciones maliciosas dentro de una única arquitectura independiente de internet.
• Fusión Probabilística de Sensores: La integración de sensores PIR y ultrasónicos con un umbral ajustable ($\tau_c = 0.65$) logra una precisión de detección del 95% con cero falsas alarmas, superando significativamente a los métodos de fusión binaria (85% de precisión).
• Despliegue en el Borde Rentable: El sistema reduce los costos de despliegue en un 75% en comparación con el sistema Gajraj (247 USD/km frente a 1.000 USD/km). Ofrece una estrategia de despliegue escalonada:
  • Nivel 1 (Crítico): Pi 4 + YOLOv5 (100 USD/km) para corredores de elefantes de alto riesgo.
  • Nivel 2 (Estándar): Pi Zero + MobileNet-SSD (20 USD/km) para secciones de riesgo moderado.
• Eficiencia Energética: Al activar la cámara solo tras una intrusión confirmada, el sistema reduce el consumo de energía en un 62,8% en comparación con la monitorización continua, permitiendo una operación alimentada por energía solar.

Resultados Experimentales
El sistema fue evaluado en 113 eventos de movimiento en un entorno semiexterior durante una semana:

• Precisión de Detección: La fusión probabilística logró una tasa de detección del 95% con una tasa de falsas alarmas del 0%.
• Rendimiento de Clasificación:
  • Pi 4 (YOLOv5): Logró una puntuación F1 del 83,5% para la detección de elefantes, una mejora de 5,6 veces sobre el enfoque heurístico del Pi Zero. También logró una puntuación F1 del 92% para humanos y del 100% para obstrucciones.
  • Pi Zero (MobileNet-SSD): Logró solo una puntuación F1 del 14,8% para elefantes debido a la ambigüedad basada en el tamaño entre elefantes y ganado grande (búfalos), lo que lo hace inadecuado para corredores de elefantes críticos, pero viable para la monitorización general de humanos/obstáculos.
• Latencia y Fiabilidad: La latencia de extremo a extremo (detección a alerta) fue de 2,4 segundos en la plataforma Pi 4. La comunicación LoRa logró una entrega de paquetes del 100% en un rango de 1–2 km en pruebas de campo.
• Validación de Campo: En un despliegue de 7 días, el sistema identificó correctamente 42 intrusiones humanas, 15 incursiones animales, 8 cruces de elefantes y 12 obstrucciones de vía, transmitiendo 77 alertas peligrosas con cero falsas alarmas.

Significado y Afirmaciones
El artículo afirma que NETRA proporciona una solución práctica y escalable para la seguridad ferroviaria remota donde la infraestructura existente está ausente o es demasiado costosa. Al combinar la fusión de sensores con la computación en el borde escalonada, aborda las amenazas duales de la vida silvestre y el sabotaje mientras mantiene una baja tasa de falsas alarmas, un requisito crítico para las operaciones ferroviarias. Los autores enfatizan que la capacidad del sistema para operar sin conectividad a internet y su reducción de costos del 75% lo convierten en una alternativa viable a las soluciones actuales de fibra óptica, permitiendo potencialmente la cobertura de todos los 101 corredores de elefantes en la India.

Limitaciones Reconocidas
Los autores señalan varias restricciones:

• El enfoque heurístico del Pi Zero es insuficiente para la detección de elefantes en zonas críticas.
• El despliegue de ONNX en Pi 4 introduce una clasificación errónea sistemática de vacas/búfalos como humanos debido a diferencias en el análisis del backend.
• La detección nocturna no está actualmente soportada ya que la cámara carece de capacidad infrarroja.
• La validación de campo se realizó en un entorno semiexterior en lugar de vías ferroviarias activas debido a restricciones de seguridad.