🤖 machine learning

Smart Railway Obstruction Detection System using IoT and Computer Vision

Dit artikel presenteert NETRA, een kostenefficiënt, internetonafhankelijk IoT-systeem dat sensorfusie en edge-AI op Raspberry Pi-platforms gebruikt om spoorobstakels en wilde dieren te detecteren met een nauwkeurigheid van 95% en 75% lagere implementatiekosten dan bestaande oplossingen, waarbij bestuurders succesvol binnen 2,4 seconde via LoRa-communicatie worden gewaarschuwd.

Oorspronkelijke auteurs: Pravin Kumar, Mritunjay Shall Peelam, Ramakant Kumar, Sanjay Kumar, Vinay Chamola

Gepubliceerd 2026-05-12

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Pravin Kumar, Mritunjay Shall Peelam, Ramakant Kumar, Sanjay Kumar, Vinay Chamola

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een spoorlijn voor die door een dicht bos loopt. Het is een gevaarlijke plek om twee redenen: wilde olifanten kunnen op de rails dwalen, of een saboteur kan er een zware rots of ijzeren balk plaatsen om een trein te doen ontsporen. De uitdaging is dat deze sporen vaak in afgelegen gebieden liggen zonder internet, zonder elektriciteitsnet en zonder bewakers.

Het artikel introduceert NETRA, een slim, goedkoop "wachthond"-systeem dat is ontworpen om dit probleem op te lossen. Hier is hoe het werkt, opgesplitst in eenvoudige onderdelen:

1. Het probleem met huidige bewakers

Momenteel gebruikt de Indiase Spoorwegen een systeem genaamd "Gajraj" (vernoemd naar de olifantengod). Denk aan Gajraj als een zeer dure, high-tech veiligheidsomheining van glasvezel. Het werkt goed, maar het kost $1.000 per kilometer. Omdat het zo prijzig is, kunnen ze het zich alleen veroorloven op 20 van de 101 olifantenpaden te plaatsen. Ook schreeuwt het soms "Wolf!" terwijl het slechts de wind is die een blad laat ritselen, wat leidt tot vals alarm.

2. De NETRA-oplossing: Een slimme, tweestapscontrole

NETRA is als een slimme, budgetvriendelijke bewaker die geen internet nodig heeft. Het gebruikt een "tweestapsverificatie"-proces om energieverspilling te voorkomen en zeker te zijn dat een indringer echt aanwezig is.

Stap 1: De bewegingssensor (De "oren")
Het systeem begint met een PIR-sensor (zoals die bij deuren die het licht aanzetten). Het luistert naar beweging. Als het niets hoort, gaat het terug naar slaapstand. Als het iets hoort, wordt het volgende onderdeel wakker gemaakt.
Stap 2: De ultrasone sensor (De "ogen" die meten)
Voordat de dure camera wordt ingeschakeld, gebruikt het systeem een ultrasone sensor (zoals de sonar van een vleermuis) om de afstand tot het object te meten.
- De logica: Als de PIR-sensor een ruis hoort (misschien een vogel of wind) maar de ultrasone sensor zegt: "Hé, er is niets daar", negeert het systeem het. Dit stopt de "vals alarmen".
- De drempel: Het systeem schakelt de camera alleen in als het 65% zeker is dat er echt iets is. Dit is de "probabilistische fusie" die in het artikel wordt genoemd.

3. De "Slimme Camera" (Het brein)

Zodra het systeem zeker is dat er iets is, maakt het een foto en gebruikt het een kleine computer (een Raspberry Pi) om uit te zoeken wat het is. Het artikel testte twee versies van dit "brein":

Het budgetbrein (Raspberry Pi Zero): Dit is een kleine, goedkope computer ($22). Het gebruikt een simpele truc: het raadt dat een dier een olifant is als het groot genoeg lijkt op de foto.
- De valkuil: Het raakt snel in de war. Het verwart vaak een koe met een olifant (of andersom) omdat ze van afstand qua grootte op elkaar lijken. Het had slechts ongeveer 15% van de olifanten correct.
Het pro-brein (Raspberry Pi 4): Dit is een krachtigere computer ($55). Het gebruikt een geavanceerd AI-model (YOLOv5) dat specifiek is getraind om olifanten, mensen en rotsen te herkennen.
- Het resultaat: Het had 83,5% van de olifanten correct. Dit is goed genoeg om in de gevaarlijkste gebieden te worden gebruikt.

4. De flespost (LoRa)

Zodra het systeem een echte bedreiging identificeert (zoals een olifant of een rots), heeft het geen Wi-Fi of 4G nodig om een waarschuwing te sturen. Het gebruikt LoRa, wat lijkt op een langeafstandswalkietalkie.

Het stuurt een signaal tot 1–2 kilometer weg naar een ontvanger op de trein.
De machinist krijgt een waarschuwing in slechts 2,4 seconden.
Bij tests werkte deze berichtbezorging 100% van de tijd.

5. Waarom dit een game-changer is

Kosten: Het hele systeem kost ongeveer $247 per kilometer. Dat is 75% goedkoper dan het huidige Gajraj-systeem.
Batterijduur: Omdat de camera alleen inschakelt wanneer het bijna zeker is dat er iets is, bespaart het een enorme hoeveelheid stroom. Het systeem kan dagenlang op zonne-energie draaien zonder dat het opgeladen hoeft te worden.
Veelzijdigheid: In tegenstelling tot andere systemen die alleen op olifanten letten, kan NETRA mensen opsporen die proberen het spoor te saboteren of rotsen die de weg blokkeren.

De kern

NETRA is een "zet het en vergeet het"-systeem. Het zit rustig aan de kant van het spoor, goedkope sensoren gebruikend om te luisteren en te meten. Het maakt alleen zijn "brein" en "camera" wakker wanneer het zeker is dat een echt gevaar nadert. Het stuurt vervolgens een snelle, betrouwbare radioboodschap naar de treinmachinist om te remmen.

Het artikel testte dit in een bosomgeving en vond dat het 95% van de echte indringers kon detecteren terwijl het nul vals alarmen maakte (het schreeuwde niet "gevaar" als er geen was). Hoewel de goedkope versie moeite heeft om olifanten van koeien te onderscheiden, werkt de iets duurdere versie zeer goed en biedt het een praktische, betaalbare manier om treinen en wilde dieren veilig te houden.

Technische Samenvatting: NETRA – Een Slim Systeem voor Detectie van Spoorobstakels

Probleemstelling
De Indiase Spoorwegen staan voor kritieke veiligheidsuitdagingingen die voortkomen uit twee hoofdbronnen: indringing door wilde dieren (met name in olifantenkorridoren) en opzettelijke kwaadaardige obstructies (sabotage via ijzeren staven of rotsblokken). Bestaande oplossingen, zoals het op optische vezels gebaseerde "Gajraj"-systeem, lijden onder prohibitieve implementatiekosten (1.000 USD/km) en hoge rates van vals-positieve alarmen, waardoor hun dekking beperkt blijft tot slechts 20 van de 101 olifantenkorridoren in India. Bovendien vereisen veel op visie gebaseerde systemen continue camera-operatie en hardware op GPU-niveau, waardoor ze ongeschikt zijn voor afgelegen, energie-beperkte randomgevingen. Er ontbreekt een geünificeerd, kosteneffectief en internet-onafhankelijk systeem dat real-time detectie kan uitvoeren voor zowel wilde dieren als obstakels.

Methodologie
Het artikel stelt NETRA voor, een meerlagig detectiekader voor indringing, ontworpen voor implementatie aan de rand (edge) op Raspberry Pi-platforms. De systeemarchitectuur bestaat uit vijf opeenvolgende fasen:

Probabilistische Sensorfusie: Het systeem maakt gebruik van een tweestaps-sensorniveau om vals-positieven te minimaliseren voordat energie-intensieve componenten worden ingeschakeld.
- Bewegingstrigger: Een HC-SR501 PIR-sensor detecteert initiële beweging.
- Ruimtelijke Validatie: Na activering van de PIR meet een HC-SR04-ultrasone sensor de afstand.
- Fusielogica: Een probabilistisch model berekent een indringingskans ( $P_{intrusion}$ ) door de bewegingsbewijslast van de PIR ( $w_{PIR}=0,4$ ) en de op afstand gebaseerde ruimtelijke validatie ( $w_{dist}=0,6$ ) te wegen.
- Gebeurtenisgestuurde Activering: Een camera wordt alleen geactiveerd als $P_{intrusion}$ een empirisch geoptimaliseerde drempelwaarde overschrijdt ( $\tau_c = 0,65$ ). Deze aanpak reduceert onnodige visuele verwerking met 52%.
Edge-AI Classificatie: Zodra het systeem is getriggerd, classificeert het de bedreiging lokaal met behulp van Deep Learning-modellen die zijn afgestemd op de hardware:
- Raspberry Pi Zero (Kosteneffectieve Laag): Gebruikt MobileNet-SSD (voorgetraind op PASCAL VOC). Vanwege het ontbreken van een expliciete "olifant"-klasse, vertrouwt het op een op grootte gebaseerde heuristiek (verhouding van het omhullende vak $\geq 0,25$ ) om olifanten af te leiden, naast directe detectie voor mensen en contourgebaseerde analyse voor obstakels.
- Raspberry Pi 4 (Hogeprestatie Laag): Gebruikt YOLOv5s (gequantiseerd naar INT8, uitgevoerd via ONNX Runtime). Dit model is fijn afgestemd op een aangepaste dataset van meer dan 2.500 spoorbeelden, waardoor native meerklasse-detectie mogelijk is (olifanten, mensen, obstakels) zonder heuristieken.
Alarmtransmissie: Bevestigde bedreigingen worden via LoRa (868 MHz) verzonden naar een ESP32-microcontroller in de naderende trein. Het systeem gebruikt een adaptieve spreidingsfactor (SF7–SF12) om betrouwbare communicatie over 1–2 km te garanderen zonder mobiele infrastructuur.

Belangrijkste Bijdragen

Geünificeerd Detectiekader: NETRA is het eerste voorgestelde systeem dat gelijktijdig wilde dieren (specifiek olifanten) en kwaadaardige obstakels detecteert binnen één enkele, internet-onafhankelijke architectuur.
Probabilistische Sensorfusie: De integratie van PIR- en ultrasone sensoren met een instelbare drempelwaarde ( $\tau_c = 0,65$ ) bereikt een detectienauwkeurigheid van 95% met nul vals-positieve alarmen, wat aanzienlijk beter presteert dan binaire fusiemethoden (85% nauwkeurigheid).
Kosteneffectieve Edge-implementatie: Het systeem verlaagt de implementatiekosten met 75% in vergelijking met het Gajraj-systeem (247 USD/km versus 1.000 USD/km). Het biedt een gestaffelde implementatiestrategie:
- Niveau 1 (Kritiek): Pi 4 + YOLOv5 (100 USD/km) voor hoog-risico olifantenkorridoren.
- Niveau 2 (Standaard): Pi Zero + MobileNet-SSD (20 USD/km) voor secties met gemiddeld risico.
Energie-efficiëntie: Door de camera alleen te activeren bij een bevestigde indringing, verlaagt het systeem het energieverbruik met 62,8% in vergelijking met continue bewaking, wat zonne-energie-aangedreven bediening mogelijk maakt.

Experimentele Resultaten
Het systeem werd geëvalueerd over 113 bewegingsgebeurtenissen in een semi-buitenomgeving gedurende één week:

Detectienauwkeurigheid: De probabilistische fusie bereikte een detectiepercentage van 95% met een vals-positief percentage van 0%.
Classificatieprestaties:
- Pi 4 (YOLOv5): Bereikte een F1-score van 83,5% voor olifantendetectie, een verbetering van 5,6× ten opzichte van de heuristische aanpak van de Pi Zero. Het bereikte ook een F1-score van 92% voor mensen en 100% voor obstakels.
- Pi Zero (MobileNet-SSD): Bereikte slechts een F1-score van 14,8% voor olifanten vanwege ambiguïteit op basis van grootte tussen olifanten en groot vee (buffels), waardoor het ongeschikt is voor kritieke olifantenkorridoren maar wel levensvatbaar is voor algemene mens/obstakelbewaking.
Latentie en Betrouwbaarheid: De end-to-end-latentie (detectie tot alarm) bedroeg 2,4 seconden op het Pi 4-platform. LoRa-communicatie bereikte 100% pakketlevering over 1–2 km in veldtesten.
Veldvalidatie: Tijdens een 7-daagse implementatie identificeerde het systeem correct 42 menselijke indringingen, 15 indringingen door dieren, 8 olifantenovergangen en 12 spoorobstakels, en verzond 77 gevaarlijke alarmen zonder enige vals-positieve melding.

Betekenis en Beweringen
Het artikel beweert dat NETRA een praktische, schaalbare oplossing biedt voor veiligheid op afgelegen spoorlijnen waar bestaande infrastructuur ontbreekt of te duur is. Door sensorfusie te combineren met gestaffelde edge-computing, adresseert het de dubbele bedreigingen van wilde dieren en sabotage, terwijl het een lage rate van vals-positieve alarmen handhaaft – een kritieke vereiste voor spoorwegoperaties. De auteurs benadrukken dat het vermogen van het systeem om te opereren zonder internetconnectiviteit en de kostenreductie van 75% het een levenswaardig alternatief maken voor huidige glasvezeloplossingen, wat potentieel dekking mogelijk maakt voor alle 101 olifantenkorridoren in India.

Erkende Beperkingen
De auteurs merken enkele beperkingen op:

De heuristische aanpak van de Pi Zero is ontoereikend voor olifantendetectie in kritieke zones.
De ONNX-implementatie op de Pi 4 introduceert systematische misclassificatie van koeien/buffels als mensen vanwege verschillen in backend-parsing.
Detectie 's nachts wordt momenteel niet ondersteund, aangezien de camera geen infraroodcapaciteit heeft.
Veldvalidatie werd uitgevoerd in een semi-buitenomgeving in plaats van op actieve spoorrails vanwege veiligheidsbeperkingen.