🤖 machine learning

Smart Railway Obstruction Detection System using IoT and Computer Vision

Questo documento presenta NETRA, un sistema IoT economico e indipendente da Internet che utilizza la fusione sensoriale e l'IA al bordo su piattaforme Raspberry Pi per rilevare ostacoli ferroviari e fauna selvatica con un'accuratezza del 95% e costi di implementazione inferiori del 75% rispetto alle soluzioni esistenti, avvisando con successo i conducenti entro 2,4 secondi tramite comunicazione LoRa.

Autori originali: Pravin Kumar, Mritunjay Shall Peelam, Ramakant Kumar, Sanjay Kumar, Vinay Chamola

Pubblicato 2026-05-12

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Pravin Kumar, Mritunjay Shall Peelam, Ramakant Kumar, Sanjay Kumar, Vinay Chamola

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina un binario ferroviario che attraversa una foresta densa. È un luogo pericoloso per due motivi: elefanti selvatici potrebbero vagare sui binari, oppure un sabotatore potrebbe collocarvi una grossa pietra o una sbarra di ferro per deragliare un treno. La sfida è che questi binari si trovano spesso in aree remote, senza internet, senza rete elettrica e senza guardie di sicurezza.

Il documento introduce NETRA, un sistema intelligente ed economico di "cane da guardia" progettato per risolvere questo problema. Ecco come funziona, scomposto in parti semplici:

1. Il Problema con le Guardie Attuali

Attualmente, le Ferrovie Indiane utilizzano un sistema chiamato "Gajraj" (dal nome del dio elefante). Pensate a Gajraj come a una recinzione di sicurezza molto costosa e ad alta tecnologia realizzata in fibra ottica. Funziona bene, ma costa 1.000 dollari per chilometro. Poiché è così costoso, possono permettersi di installarlo solo su 20 dei 101 percorsi degli elefanti. Inoltre, a volte urla "Lupo!" quando è solo il vento che muove una foglia, causando falsi allarmi.

2. La Soluzione NETRA: Un Controllo Intelligente in Due Fasi

NETRA è come una guardia di sicurezza intelligente ed economica che non ha bisogno di internet. Utilizza un processo di "verifica in due fasi" per evitare di sprecare energia e per essere sicuro che un intruso sia effettivamente presente.

Fase 1: Il Sensore di Movimento (Le "Orecchie")
Il sistema inizia con un sensore PIR (come quelli che accendono le luci del portico). Ascolta i movimenti. Se non sente nulla, torna a dormire. Se sente qualcosa, risveglia la parte successiva.
Fase 2: Il Sensore Ultrasonico (Gli "Occhi" che misurano)
Prima di attivare la costosa telecamera, il sistema utilizza un sensore ultrasonico (come il sonar di un pipistrello) per misurare la distanza dell'oggetto.
- La Logica: Se il sensore PIR sente un fruscio (forse un uccello o il vento) ma il sensore ultrasonico dice: "Ehi, non c'è nulla lì", il sistema lo ignora. Questo blocca i "falsi allarmi".
- La Soglia: Il sistema attiva la telecamera solo se è certo al 65% che qualcosa sia effettivamente lì. Questa è la "fusione probabilistica" menzionata nel documento.

3. La "Telecamera Intelligente" (Il Cervello)

Una volta che il sistema è sicuro che qualcosa sia presente, scatta una foto e utilizza un piccolo computer (un Raspberry Pi) per capire cosa sia. Il documento ha testato due versioni di questo "cervello":

Il Cervello Economico (Raspberry Pi Zero): Questo è un computer minuscolo ed economico (22 dollari). Utilizza un trucco semplice: ipotizza che un animale sia un elefante se appare abbastanza grande nella foto.
- Il Problema: Si confonde facilmente. Spesso scambia una mucca per un elefante (o viceversa) perché appaiono simili per dimensioni da lontano. Ha identificato correttamente solo circa il 15% degli elefanti.
Il Cervello Professionale (Raspberry Pi 4): Questo è un computer più potente (55 dollari). Utilizza un modello di intelligenza artificiale sofisticato (YOLOv5) specificamente addestrato per riconoscere elefanti, esseri umani e rocce.
- Il Risultato: Ha identificato correttamente l'83,5% degli elefanti. Questo è sufficiente per essere utilizzato nelle aree più pericolose.

4. Il Messaggio in una Bottiglia (LoRa)

Una volta che il sistema identifica una minaccia reale (come un elefante o una roccia), non ha bisogno di Wi-Fi o 4G per inviare un allarme. Utilizza LoRa, che è come un walkie-talkie a lungo raggio.

Invia un segnale fino a 1–2 chilometri di distanza a un ricevitore sul treno.
Il macchinista riceve un allarme in soli 2,4 secondi.
Nei test, questa consegna del messaggio ha funzionato al 100% delle volte.

5. Perché Questo è un Cambiamento di Paradigma

Costo: L'intero sistema costa circa 247 dollari per chilometro. È il 75% più economico rispetto all'attuale sistema Gajraj.
Durata della Batteria: Poiché la telecamera si attiva solo quando è quasi certa che qualcosa sia presente, risparmia una quantità enorme di energia. Il sistema può funzionare a energia solare per giorni senza bisogno di ricarica.
Versatilità: A differenza di altri sistemi che cercano solo gli elefanti, NETRA può individuare esseri umani che tentano di sabotare il binario o rocce che bloccano la strada.

La Conclusione

NETRA è un sistema "imposta e dimentica". Si trova silenziosamente sul lato del binario, utilizzando sensori economici per ascoltare e misurare. Attiva solo il suo "cervello" e la sua "telecamera" quando è sicuro che un pericolo reale si stia avvicinando. Invia quindi un messaggio radio rapido e affidabile al macchinista del treno per frenare.

Il documento ha testato questo sistema in un ambiente forestale e ha scoperto che poteva rilevare il 95% delle intrusioni reali, commettendo zero falsi allarmi (non urlava "pericolo" quando non c'era). Mentre la versione economica fatica a distinguere gli elefanti dalle mucche, la versione leggermente più costosa funziona molto bene, offrendo un modo pratico ed economico per mantenere al sicuro treni e fauna selvatica.

Riepilogo Tecnico: NETRA – Un Sistema Intelligente di Rilevamento di Ostacoli Ferroviari

Enunciazione del Problema
Le Ferrovie Indiane affrontano sfide critiche per la sicurezza derivanti da due fonti principali: intrusioni di fauna selvatica (in particolare nei corridoi degli elefanti) e ostruzioni deliberate e malevole (sabotaggio tramite barre di ferro o massi). Le soluzioni esistenti, come il sistema "Gajraj" basato su fibra ottica, soffrono di costi di deployment proibitivi (1.000 $/km) e alti tassi di falsi allarmi, limitando la loro copertura a soli 20 dei 101 corridoi per elefanti dell'India. Inoltre, molti sistemi basati sulla visione richiedono un funzionamento continuo delle telecamere e hardware di livello GPU, rendendoli inadatti ad ambienti periferici remoti e con vincoli energetici. Manca un sistema unificato, economicamente vantaggioso e indipendente da Internet, capace di rilevamento in tempo reale sia per la fauna selvatica che per le ostruzioni.

Metodologia
Il documento propone NETRA, un framework di rilevamento delle intrusioni a più livelli progettato per il deployment periferico su piattaforme Raspberry Pi. L'architettura del sistema consiste in cinque fasi sequenziali:

Fusione Probabilistica dei Sensori: Il sistema impiega un livello di sensori a due stadi per minimizzare i falsi positivi prima di attivare componenti ad alto consumo energetico.
- Attivazione tramite Movimento: Un sensore PIR HC-SR501 rileva il movimento iniziale.
- Validazione Spaziale: Al momento dell'attivazione del PIR, un sensore ultrasonico HC-SR04 misura la distanza.
- Logica di Fusione: Un modello probabilistico calcola una probabilità di intrusione ( $P_{intrusion}$ ) ponderando l'evidenza di movimento del PIR ( $w_{PIR}=0.4$ ) e la validazione spaziale basata sulla distanza ( $w_{dist}=0.6$ ).
- Attivazione Guidata dagli Eventi: Una telecamera viene attivata solo se $P_{intrusion}$ supera una soglia ottimizzata empiricamente ( $\tau_c = 0.65$ ). Questo approccio riduce l'elaborazione visiva non necessaria del 52%.
Classificazione Edge-AI: Una volta attivato, il sistema classifica la minaccia localmente utilizzando modelli di Deep Learning adattati all'hardware:
- Raspberry Pi Zero (Livello Basso Costo): Utilizza MobileNet-SSD (pre-addestrato su PASCAL VOC). A causa dell'assenza di una classe esplicita "elefante", si basa su un euristica basata sulle dimensioni (rapporto dell'area del bounding box $\geq 0.25$ ) per inferire la presenza di elefanti, oltre al rilevamento diretto per gli umani e all'analisi basata sui contorni per le ostruzioni.
- Raspberry Pi 4 (Livello Alte Prestazioni): Utilizza YOLOv5s (quantizzato a INT8, eseguito tramite ONNX Runtime). Questo modello è stato fine-tuned su un dataset personalizzato di oltre 2.500 immagini ferroviarie, abilitando il rilevamento nativo multi-classe (elefanti, umani, ostruzioni) senza euristica.
Trasmissione degli Avvisi: Le minacce confermate vengono trasmesse tramite LoRa (868 MHz) a un microcontrollore ESP32 sul treno in avvicinamento. Il sistema utilizza un fattore di diffusione adattivo (SF7–SF12) per garantire comunicazioni affidabili su 1–2 km senza infrastruttura cellulare.

Contributi Chiave

Framework di Rilevamento Unificato: NETRA è il primo sistema proposto a rilevare simultaneamente fauna selvatica (in particolare elefanti) e ostruzioni malevole all'interno di un'unica architettura indipendente da Internet.
Fusione Probabilistica dei Sensori: L'integrazione di sensori PIR e ultrasonici con una soglia regolabile ( $\tau_c = 0.65$ ) raggiunge un'accuratezza di rilevamento del 95% con zero falsi allarmi, superando significativamente i metodi di fusione binaria (85% di accuratezza).
Deployment Periferico Economico: Il sistema riduce i costi di deployment del 75% rispetto al sistema Gajraj (247 $/km contro 1.000 $/km). Offre una strategia di deployment a livelli:
- Livello 1 (Critico): Pi 4 + YOLOv5 (100 $/km) per corridoi per elefanti ad alto rischio.
- Livello 2 (Standard): Pi Zero + MobileNet-SSD (20 $/km) per sezioni a rischio moderato.
Efficienza Energetica: Attivando la telecamera solo in caso di intrusione confermata, il sistema riduce il consumo energetico del 62,8% rispetto al monitoraggio continuo, abilitando il funzionamento alimentato da energia solare.

Risultati Sperimentali
Il sistema è stato valutato su 113 eventi di movimento in un ambiente semi-all'aperto nell'arco di una settimana:

Accuratezza di Rilevamento: La fusione probabilistica ha raggiunto un tasso di rilevamento del 95% con un tasso di falsi allarmi dello 0%.
Prestazioni di Classificazione:
- Pi 4 (YOLOv5): Ha raggiunto un F1-score dell'83,5% per il rilevamento degli elefanti, un miglioramento di 5,6 volte rispetto all'approccio euristico del Pi Zero. Ha inoltre raggiunto un F1-score del 92% per gli umani e del 100% per le ostruzioni.
- Pi Zero (MobileNet-SSD): Ha raggiunto solo un F1-score del 14,8% per gli elefanti a causa dell'ambiguità basata sulle dimensioni tra elefanti e grandi bovini (bufali), rendendolo inadatto per i corridoi per elefanti critici ma fattibile per il monitoraggio generale di umani/ostacoli.
Latenza e Affidabilità: La latenza end-to-end (dal rilevamento all'avviso) è stata di 2,4 secondi sulla piattaforma Pi 4. Le comunicazioni LoRa hanno raggiunto una consegna dei pacchetti del 100% su 1–2 km durante i test sul campo.
Validazione sul Campo: In un deployment di 7 giorni, il sistema ha correttamente identificato 42 intrusioni umane, 15 incursioni animali, 8 attraversamenti di elefanti e 12 ostruzioni del binario, trasmettendo 77 allarmi pericolosi con zero falsi allarmi.

Significato e Affermazioni
Il documento afferma che NETRA fornisce una soluzione pratica e scalabile per la sicurezza ferroviaria remota dove l'infrastruttura esistente è assente o troppo costosa. Combinando la fusione dei sensori con il calcolo periferico a livelli, affronta le doppie minacce della fauna selvatica e del sabotaggio mantenendo un basso tasso di falsi allarmi, un requisito critico per le operazioni ferroviarie. Gli autori sottolineano che la capacità del sistema di operare senza connettività Internet e la sua riduzione dei costi del 75% lo rendono un'alternativa fattibile alle attuali soluzioni in fibra ottica, potenzialmente abilitando la copertura di tutti i 101 corridoi per elefanti in India.

Limitazioni Riconosciute
Gli autori notano diversi vincoli:

L'approccio euristico del Pi Zero è insufficiente per il rilevamento degli elefanti nelle zone critiche.
Il deployment ONNX su Pi 4 introduce una classificazione errata sistematica di mucche/bufali come umani a causa di differenze nel parsing del backend.
Il rilevamento notturno non è attualmente supportato poiché la telecamera manca di capacità infrarosse.
La validazione sul campo è stata condotta in un ambiente semi-all'aperto anziché su binari ferroviari attivi a causa di vincoli di sicurezza.