Smart Railway Obstruction Detection System using IoT and Computer Vision

技術概要：NETRA – スマート鉄道障害検知システム

問題定義
インド鉄道は、野生動物の侵入（特に象の回廊）と、意図的な悪意ある障害（鉄棒や巨石による破壊工作）という 2 つの主要な源泉から、重大な安全上の課題に直面しています。光ファイバーベースの「Gajraj」システムなどの既存の解決策は、導入コストの高さ（1km あたり 1,000 ドル）と高い誤報率に悩まされており、インドの 101 の象の回廊のうち、わずか 20 の回廊への展開しか制限されています。さらに、多くのビジョンベースのシステムは、継続的なカメラ作動と GPU レベルのハードウェアを必要とするため、電源が制約された遠隔のエッジ環境には不適切です。野生動物と障害物の両方に対するリアルタイム検知を可能にする、統合され、費用対効果が高く、インターネットに依存しないシステムの欠如があります。

手法
本論文は、Raspberry Pi プラットフォーム上でのエッジ展開用に設計された、多層侵入検知フレームワークであるNETRAを提案します。システムアーキテクチャは、5 つの連続する段階で構成されます：

1. 確率的センサーフュージョン：システムは、電力集約型コンポーネントを起動する前に誤検出を最小化するため、2 段階のセンサー層を採用します。

   • モーショントリガー：HC-SR501 PIR センサーが初期の動きを検知します。
   • 空間的検証：PIR 作動後、HC-SR04 超音波センサーが距離を測定します。
   • フュージョンロジック：確率的モデルが、PIR 運動証拠（$w_{PIR}=0.4$）と距離ベースの空間的検証（$w_{dist}=0.6$）に重み付けを行うことで、侵入確率（$P_{intrusion}$）を計算します。
   • イベント駆動型作動：カメラは、$P_{intrusion}$が経験的に最適化された閾値（$\tau_c = 0.65$）を超えた場合にのみ作動します。このアプローチにより、不要な視覚処理が 52% 削減されます。

2. エッジ AI 分類：トリガーされると、システムはハードウェアに特化した深層学習モデルを使用して、脅威をローカルで分類します。

   • Raspberry Pi Zero（低コスト層）：MobileNet-SSD（PASCAL VOC で事前学習済み）を使用します。「象」という明示的なクラスが存在しないため、象の推定にはサイズベースのヒューリスティック（バウンディングボックス面積比 $\geq 0.25$）に依存し、人間は直接検知し、障害物は輪郭ベースの分析を行います。
   • Raspberry Pi 4（高性能層）：YOLOv5s（INT8 に量子化され、ONNX Runtime を通じて実行）を使用します。このモデルは 2,500 以上の鉄道画像からなるカスタムデータセットで微調整されており、ヒューリスティックなしでネイティブな多クラス検知（象、人間、障害物）を可能にします。

3. アラート送信：確認された脅威は、**LoRa（868 MHz）**を介して、接近する列車上の ESP32 マイクロコントローラーに送信されます。システムは、セルラーインフラなしで 1～2 km 範囲での信頼性の高い通信を確保するため、適応的なスプレッディングファクター（SF7–SF12）を使用します。

主要な貢献

• 統合検知フレームワーク：NETRA は、単一のインターネット非依存アーキテクチャ内で、野生動物（特に象）と悪意ある障害物を同時に検知する、初めて提案されたシステムです。
• 確率的センサーフュージョン：調整可能な閾値（$\tau_c = 0.65$）を備えた PIR センサーと超音波センサーの統合は、誤報ゼロで 95% の検知精度を達成し、バイナリフュージョン手法（85% の精度）を大幅に上回ります。
• 費用対効果の高いエッジ展開：システムは、Gajraj システムと比較して導入コストを**75%**削減します（1km あたり 247 ドル対 1,000 ドル）。これは、段階的な展開戦略を提供します。
  • Tier-1（重要）：高リスクの象の回廊向けに、Pi 4 + YOLOv5（1km あたり 100 ドル）。
  • Tier-2（標準）：中リスク区間向けに、Pi Zero + MobileNet-SSD（1km あたり 20 ドル）。
• エネルギー効率：確認された侵入時のみカメラを起動することで、システムは継続的な監視と比較してエネルギー消費を 62.8% 削減し、太陽光発電による運用を可能にします。

実験結果
システムは、1 週間にわたる半屋外環境で 113 の運動イベントにわたって評価されました。

• 検知精度：確率的フュージョンは、95% の検知率と0% の誤報率を達成しました。
• 分類性能：
  • Pi 4（YOLOv5）：象の検知で83.5% の F1 スコアを達成し、Pi Zero のヒューリスティックアプローチよりも 5.6 倍改善されました。また、人間では 92%、障害物では 100% の F1 スコアを達成しました。
  • Pi Zero（MobileNet-SSD）：象と大型家畜（水牛）の間のサイズに基づく曖昧さにより、象の検知ではわずか14.8% の F1 スコアにとどまり、重要な象の回廊には不適切ですが、一般的な人間/障害物監視には有効です。
• 遅延と信頼性：エンドツーエンドの遅延（検知からアラートまで）は、Pi 4 プラットフォームで2.4 秒でした。LoRa 通信は、フィールド試験において 1～2 km 範囲で100% のパケット配送率を達成しました。
• フィールド検証：7 日間の展開において、システムは 42 の人間侵入、15 の動物侵入、8 の象の横断、12 の線路障害を正しく特定し、誤報ゼロで 77 の危険アラートを送信しました。

意義と主張
本論文は、既存のインフラが存在しない、または高価すぎる遠隔地における鉄道安全のために、NETRA が実用的でスケーラブルな解決策を提供すると主張しています。センサーフュージョンと段階的なエッジコンピューティングを組み合わせることで、野生動物と破壊工作という二重の脅威に対処しつつ、鉄道運用にとって重要な要件である低い誤報率を維持します。著者は、システムのインターネット接続なしでの運用能力と 75% のコスト削減が、現在の光ファイバーソリューションに対する実用的な代替手段となり、インドの 101 の象の回廊すべてをカバーする可能性を秘めていると強調しています。

認められた限界
著者はいくつかの制約を指摘しています。

• Pi Zero のヒューリスティックアプローチは、重要なゾーンの象検知には不十分です。
• Pi 4 上の ONNX 展開は、バックエンドの解析の違いにより、牛や水牛を人間として体系的に誤分類する要因となります。
• カメラに赤外線機能がないため、現在のところ夜間の検知はサポートされていません。
• 安全上の制約により、フィールド検証は実際の鉄道線路ではなく、半屋外環境で行われました。