🤖 machine learning

Smart Railway Obstruction Detection System using IoT and Computer Vision

Ce papier présente NETRA, un système IoT rentable et indépendant d'Internet utilisant la fusion de capteurs et l'IA en périphérie sur des plateformes Raspberry Pi pour détecter les obstacles ferroviaires et la faune avec une précision de 95 % et des coûts de déploiement inférieurs de 75 % par rapport aux solutions existantes, alertant avec succès les conducteurs en 2,4 secondes via la communication LoRa.

Auteurs originaux : Pravin Kumar, Mritunjay Shall Peelam, Ramakant Kumar, Sanjay Kumar, Vinay Chamola

Publié 2026-05-12

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Pravin Kumar, Mritunjay Shall Peelam, Ramakant Kumar, Sanjay Kumar, Vinay Chamola

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une voie ferrée traversant une forêt dense. C'est un endroit dangereux pour deux raisons : des éléphants sauvages pourraient s'aventurer sur les rails, ou un saboteur pourrait y placer un gros rocher ou une barre de fer pour faire dérailler un train. Le défi est que ces voies se trouvent souvent dans des zones reculées, sans internet, sans réseau électrique et sans gardes de sécurité.

L'article présente NETRA, un système intelligent et peu coûteux de « chien de garde » conçu pour résoudre ce problème. Voici comment il fonctionne, décomposé en parties simples :

1. Le problème avec les gardes actuels

Actuellement, les Chemins de fer indiens utilisent un système appelé « Gajraj » (du nom du dieu éléphant). Imaginez Gajraj comme une clôture de sécurité très coûteuse et haute technologie, faite de fibres optiques. Elle fonctionne bien, mais elle coûte 1 000 $ par kilomètre. Parce qu'elle est si chère, on ne peut se permettre de l'installer que sur 20 des 101 passages d'éléphants. De plus, elle crie parfois « Au loup ! » alors que ce n'est que le vent agitant une feuille, provoquant de fausses alertes.

2. La solution NETRA : une vérification intelligente en deux étapes

NETRA est comme un garde de sécurité intelligent et économique qui n'a pas besoin d'internet. Il utilise un processus de « vérification en deux étapes » pour éviter de gaspiller de l'énergie et pour s'assurer qu'un intrus est réellement présent.

Étape 1 : Le capteur de mouvement (les « oreilles »)
Le système commence par un capteur PIR (comme ceux qui allument les lampes de porche). Il écoute les mouvements. S'il n'entend rien, il se rendort. S'il entend quelque chose, il réveille la partie suivante.
Étape 2 : Le capteur ultrasonique (les « yeux » qui mesurent)
Avant d'allumer la caméra coûteuse, le système utilise un capteur ultrasonique (comme le sonar d'une chauve-souris) pour mesurer la distance jusqu'à l'objet.
- La logique : Si le capteur PIR entend un froissement (peut-être un oiseau ou le vent) mais que le capteur ultrasonique dit : « Hé, il n'y a rien là », le système l'ignore. Cela évite les « fausses alertes ».
- Le seuil : Le système n'allume la caméra que s'il est sûr à 65 % qu'il y a réellement quelque chose. C'est la « fusion probabiliste » mentionnée dans l'article.

3. La « caméra intelligente » (le cerveau)

Une fois que le système est sûr qu'il y a quelque chose, il prend une photo et utilise un petit ordinateur (un Raspberry Pi) pour déterminer ce que c'est. L'article a testé deux versions de ce « cerveau » :

Le cerveau économique (Raspberry Pi Zero) : C'est un ordinateur minuscule et peu coûteux (22 $). Il utilise une astuce simple : il suppose qu'un animal est un éléphant s'il semble assez grand sur la photo.
- Le hic : Il se trompe facilement. Il confond souvent une vache avec un éléphant (ou l'inverse) car elles ont une taille similaire vue de loin. Il n'a correctement identifié que 15 % des éléphants.
Le cerveau professionnel (Raspberry Pi 4) : C'est un ordinateur plus puissant (55 $). Il utilise un modèle d'IA sophistiqué (YOLOv5) spécifiquement entraîné pour reconnaître les éléphants, les humains et les rochers.
- Le résultat : Il a correctement identifié 83,5 % des éléphants. C'est suffisant pour être utilisé dans les zones les plus dangereuses.

4. Le message en bouteille (LoRa)

Une fois que le système identifie une vraie menace (comme un éléphant ou un rocher), il n'a pas besoin de Wi-Fi ou de 4G pour envoyer une alerte. Il utilise LoRa, qui est comme un talkie-walkie longue portée.

Il envoie un signal jusqu'à 1 à 2 kilomètres plus loin vers un récepteur sur le train.
Le conducteur du train reçoit une alerte en seulement 2,4 secondes.
Lors des tests, cette livraison de message a fonctionné 100 % du temps.

5. Pourquoi c'est un changement de jeu

Coût : L'ensemble du système coûte environ 247 $ par kilomètre. C'est 75 % moins cher que le système Gajraj actuel.
Autonomie de la batterie : Parce que la caméra ne s'allume que lorsqu'il est presque certain qu'il y a quelque chose, cela économise une quantité massive d'énergie. Le système peut fonctionner à l'énergie solaire pendant plusieurs jours sans avoir besoin d'être rechargé.
Polyvalence : Contrairement à d'autres systèmes qui ne cherchent que des éléphants, NETRA peut repérer des humains tentant de saboter la voie ou des rochers bloquant le passage.

La conclusion

NETRA est un système « installez-le et oubliez-le ». Il reste silencieux sur le côté de la voie, utilisant des capteurs bon marché pour écouter et mesurer. Il ne réveille son « cerveau » et sa « caméra » que lorsqu'il est sûr qu'un vrai danger approche. Il envoie ensuite un message radio rapide et fiable au conducteur du train pour qu'il freine.

L'article a testé cela dans un environnement forestier et a constaté qu'il pouvait détecter 95 % des intrusions réelles tout en faisant zéro fausse alarme (il ne criait pas « danger » quand il n'y en avait pas). Bien que la version bon marché ait du mal à distinguer les éléphants des vaches, la version légèrement plus chère fonctionne très bien, offrant un moyen pratique et abordable de protéger les trains et la faune.

Résumé Technique : NETRA – Un Système Intelligent de Détection d'Obstacles Ferroviaires

Énoncé du Problème
Les Chemins de fer indiens font face à des défis de sécurité critiques provenant de deux sources principales : les intrusions d'animaux sauvages (particulièrement dans les corridors d'éléphants) et les obstructions malveillantes délibérées (sabotage via des barres de fer ou des rochers). Les solutions existantes, telles que le système « Gajraj » basé sur la fibre optique, souffrent de coûts de déploiement prohibitifs (1 000 $/km) et de taux d'alarmes fausses élevés, limitant leur couverture à seulement 20 des 101 corridors d'éléphants de l'Inde. De plus, de nombreux systèmes basés sur la vision nécessitent un fonctionnement continu des caméras et du matériel de niveau GPU, les rendant inadaptés aux environnements périphériques éloignés et contraints en énergie. Il manque de systèmes unifiés, rentables et indépendants d'Internet capables d'une détection en temps réel à la fois pour la faune et les obstructions.

Méthodologie
L'article propose NETRA, un cadre de détection d'intrusion multicouche conçu pour un déploiement périphérique sur des plateformes Raspberry Pi. L'architecture du système se compose de cinq étapes séquentielles :

Fusion de Capteurs Probabiliste : Le système emploie une couche de capteurs à deux étapes pour minimiser les faux positifs avant d'engager des composants gourmands en énergie.
- Déclencheur de Mouvement : Un capteur PIR HC-SR501 détecte le mouvement initial.
- Validation Spatiale : Lors de l'activation du PIR, un capteur ultrasonique HC-SR04 mesure la distance.
- Logique de Fusion : Un modèle probabiliste calcule une probabilité d'intrusion ( $P_{intrusion}$ ) en pondérant la preuve de mouvement PIR ( $w_{PIR}=0,4$ ) et la validation spatiale basée sur la distance ( $w_{dist}=0,6$ ).
- Activation Pilotée par Événement : Une caméra n'est activée que si $P_{intrusion}$ dépasse un seuil optimisé empiriquement ( $\tau_c = 0,65$ ). Cette approche réduit le traitement visuel inutile de 52 %.
Classification par IA Périphérique : Une fois déclenché, le système classe la menace localement en utilisant des modèles d'apprentissage profond adaptés au matériel :
- Raspberry Pi Zero (Niveau Faible Coût) : Utilise MobileNet-SSD (pré-entraîné sur PASCAL VOC). En raison de l'absence de classe « éléphant » explicite, il s'appuie sur une heuristique basée sur la taille (rapport de la surface de la boîte englobante $\geq 0,25$ ) pour inférer la présence d'éléphants, en plus de la détection directe des humains et d'une analyse basée sur les contours pour les obstructions.
- Raspberry Pi 4 (Niveau Haute Performance) : Utilise YOLOv5s (quantifié en INT8, exécuté via ONNX Runtime). Ce modèle est affiné sur un ensemble de données personnalisé de plus de 2 500 images ferroviaires, permettant une détection multi-classes native (éléphants, humains, obstructions) sans heuristiques.
Transmission d'Alerte : Les menaces confirmées sont transmises via LoRa (868 MHz) vers un microcontrôleur ESP32 sur le train à l'approche. Le système utilise un facteur d'étalement adaptatif (SF7–SF12) pour assurer une communication fiable sur 1–2 km sans infrastructure cellulaire.

Contributions Clés

Cadre de Détection Unifié : NETRA est le premier système proposé à détecter simultanément la faune (spécifiquement les éléphants) et les obstructions malveillantes au sein d'une architecture unique et indépendante d'Internet.
Fusion de Capteurs Probabiliste : L'intégration de capteurs PIR et ultrasoniques avec un seuil ajustable ( $\tau_c = 0,65$ ) atteint une précision de détection de 95 % avec zéro fausse alarme, surpassant significativement les méthodes de fusion binaire (85 % de précision).
Déploiement Périphérique Rentable : Le système réduit les coûts de déploiement de 75 % par rapport au système Gajraj (247 $/km contre 1 000 $/km). Il offre une stratégie de déploiement échelonnée :
- Niveau 1 (Critique) : Pi 4 + YOLOv5 (100 $/km) pour les corridors d'éléphants à haut risque.
- Niveau 2 (Standard) : Pi Zero + MobileNet-SSD (20 $/km) pour les sections à risque modéré.
Efficacité Énergétique : En n'activant la caméra qu'après une intrusion confirmée, le système réduit la consommation d'énergie de 62,8 % par rapport à une surveillance continue, permettant un fonctionnement alimenté par énergie solaire.

Résultats Expérimentaux
Le système a été évalué sur 113 événements de mouvement dans un environnement semi-extérieur sur une semaine :

Précision de Détection : La fusion probabiliste a atteint un taux de détection de 95 % avec un taux de fausse alarme de 0 %.
Performance de Classification :
- Pi 4 (YOLOv5) : A atteint un score F1 de 83,5 % pour la détection d'éléphants, soit une amélioration de 5,6 fois par rapport à l'approche heuristique du Pi Zero. Il a également atteint un score F1 de 92 % pour les humains et de 100 % pour les obstructions.
- Pi Zero (MobileNet-SSD) : N'a atteint qu'un score F1 de 14,8 % pour les éléphants en raison de l'ambiguïté basée sur la taille entre les éléphants et le gros bétail (buffle), le rendant inadapté aux corridors d'éléphants critiques mais viable pour la surveillance générale des humains/obstacles.
Latence et Fiabilité : La latence de bout en bout (détection à alerte) était de 2,4 secondes sur la plateforme Pi 4. La communication LoRa a atteint une livraison de paquets de 100 % sur 1–2 km lors des essais sur le terrain.
Validation sur le Terrain : Lors d'un déploiement de 7 jours, le système a correctement identifié 42 intrusions humaines, 15 incursions animales, 8 passages d'éléphants et 12 obstructions de voie, transmettant 77 alertes dangereuses avec zéro fausse alarme.

Signification et Revendications
L'article revendique que NETRA fournit une solution pratique et évolutive pour la sécurité ferroviaire à distance où l'infrastructure existante est absente ou trop coûteuse. En combinant la fusion de capteurs avec un calcul périphérique échelonné, il répond aux doubles menaces de la faune et du sabotage tout en maintenant un faible taux de fausses alarmes — une exigence critique pour les opérations ferroviaires. Les auteurs soulignent que la capacité du système à fonctionner sans connectivité Internet et sa réduction de coûts de 75 % en font une alternative viable aux solutions actuelles par fibre optique, permettant potentiellement la couverture de tous les 101 corridors d'éléphants en Inde.

Limites Reconnues
Les auteurs notent plusieurs contraintes :

L'approche heuristique du Pi Zero est insuffisante pour la détection d'éléphants dans les zones critiques.
Le déploiement ONNX sur Pi 4 introduit une mauvaise classification systématique des vaches/buffles comme des humains en raison de différences d'analyse du backend.
La détection nocturne n'est actuellement pas prise en charge car la caméra manque de capacité infrarouge.
La validation sur le terrain a été menée dans un environnement semi-extérieur plutôt que sur des voies ferrées actives en raison de contraintes de sécurité.