Smart Railway Obstruction Detection System using IoT and Computer Vision

Resumo Técnico: NETRA – Um Sistema Inteligente de Detecção de Obstruções Ferroviárias

Declaração do Problema
As Ferrovias Indianas enfrentam desafios críticos de segurança provenientes de duas fontes principais: intrusões de vida selvagem (particularmente em corredores de elefantes) e obstruções maliciosas deliberadas (sabotagem via hastes de ferro ou pedregulhos). Soluções existentes, como o sistema "Gajraj" baseado em fibra óptica, sofrem com custos proibitivos de implantação (US$ 1.000/km) e altas taxas de falsos alarmes, limitando sua cobertura a apenas 20 dos 101 corredores de elefantes da Índia. Além disso, muitos sistemas baseados em visão exigem operação contínua de câmeras e hardware de nível GPU, tornando-os inadequados para ambientes de borda remotos e com restrição de energia. Existe uma falta de sistemas unificados, custo-efetivos e independentes da internet capazes de detecção em tempo real tanto para vida selvagem quanto para obstruções.

Metodologia
O artigo propõe o NETRA, um framework de detecção de intrusão em camadas múltiplas projetado para implantação na borda em plataformas Raspberry Pi. A arquitetura do sistema consiste em cinco etapas sequenciais:

1. Fusão Probabilística de Sensores: O sistema emprega uma camada de sensor de dois estágios para minimizar falsos positivos antes de engajar componentes intensivos em energia.

   • Gatilho de Movimento: Um sensor PIR HC-SR501 detecta movimento inicial.
   • Validação Espacial: Após a ativação do PIR, um sensor ultrassônico HC-SR04 mede a distância.
   • Lógica de Fusão: Um modelo probabilístico calcula uma probabilidade de intrusão ($P_{intrusion}$) ponderando evidências de movimento do PIR ($w_{PIR}=0.4$) e validação espacial baseada em distância ($w_{dist}=0.6$).
   • Ativação Orientada a Eventos: Uma câmera é ativada apenas se $P_{intrusion}$ exceder um limiar empiricamente otimizado ($\tau_c = 0.65$). Esta abordagem reduz o processamento visual desnecessário em 52%.

2. Classificação Edge-AI: Uma vez acionado, o sistema classifica a ameaça localmente usando modelos de Aprendizado Profundo adaptados ao hardware:

   • Raspberry Pi Zero (Nível de Baixo Custo): Utiliza MobileNet-SSD (pré-treinado no PASCAL VOC). Devido à ausência de uma classe explícita de "elefante", ele depende de uma heurística baseada em tamanho (razão da área da caixa delimitadora $\geq 0.25$) para inferir elefantes, juntamente com detecção direta para humanos e análise baseada em contornos para obstruções.
   • Raspberry Pi 4 (Nível de Alto Desempenho): Utiliza YOLOv5s (quantizado para INT8, executado via ONNX Runtime). Este modelo é ajustado finamente em um conjunto de dados personalizado de mais de 2.500 imagens ferroviárias, permitindo detecção nativa multi-classe (elefantes, humanos, obstruções) sem heurísticas.

3. Transmissão de Alerta: Ameaças confirmadas são transmitidas via LoRa (868 MHz) para um microcontrolador ESP32 no trem em aproximação. O sistema utiliza um fator de espalhamento adaptativo (SF7–SF12) para garantir comunicação confiável em 1–2 km sem infraestrutura celular.

Principais Contribuições

• Framework Unificado de Detecção: O NETRA é o primeiro sistema proposto a detectar simultaneamente vida selvagem (especificamente elefantes) e obstruções maliciosas dentro de uma única arquitetura independente da internet.
• Fusão Probabilística de Sensores: A integração de sensores PIR e ultrassônicos com um limiar ajustável ($\tau_c = 0.65$) alcança 95% de precisão de detecção com zero falsos alarmes, superando significativamente métodos de fusão binária (85% de precisão).
• Implantação Edge Custo-Efetiva: O sistema reduz os custos de implantação em 75% em comparação ao sistema Gajraj (US$ 247/km vs. US$ 1.000/km). Oferece uma estratégia de implantação em camadas:
  • Camada-1 (Crítica): Pi 4 + YOLOv5 (US$ 100/km) para corredores de elefantes de alto risco.
  • Camada-2 (Padrão): Pi Zero + MobileNet-SSD (US$ 20/km) para seções de risco moderado.
• Eficiência Energética: Ao ativar a câmera apenas após intrusão confirmada, o sistema reduz o consumo de energia em 62,8% em comparação com monitoramento contínuo, permitindo operação alimentada por energia solar.

Resultados Experimentais
O sistema foi avaliado em 113 eventos de movimento em um ambiente semi-externo ao longo de uma semana:

• Precisão de Detecção: A fusão probabilística alcançou uma taxa de detecção de 95% com 0% de taxa de falsos alarmes.
• Desempenho de Classificação:
  • Pi 4 (YOLOv5): Alcançou um F1-score de 83,5% para detecção de elefantes, uma melhoria de 5,6× sobre a abordagem heurística do Pi Zero. Também alcançou 92% de F1-score para humanos e 100% para obstruções.
  • Pi Zero (MobileNet-SSD): Alcançou apenas um F1-score de 14,8% para elefantes devido à ambiguidade baseada em tamanho entre elefantes e gado grande (búfalos), tornando-o inadequado para corredores de elefantes críticos, mas viável para monitoramento geral de humanos/obstáculos.
• Latência e Confiabilidade: A latência ponta a ponta (detecção a alerta) foi de 2,4 segundos na plataforma Pi 4. A comunicação LoRa alcançou 100% de entrega de pacotes em 1–2 km em testes de campo.
• Validação de Campo: Em uma implantação de 7 dias, o sistema identificou corretamente 42 intrusões humanas, 15 incursões animais, 8 travessias de elefantes e 12 obstruções de trilho, transmitindo 77 alertas perigosos com zero falsos alarmes.

Significado e Alegações
O artigo alega que o NETRA fornece uma solução prática e escalável para a segurança ferroviária remota onde a infraestrutura existente está ausente ou é muito cara. Ao combinar fusão de sensores com computação de borda em camadas, ele aborda as duplas ameaças de vida selvagem e sabotagem, mantendo uma baixa taxa de falsos alarmes — um requisito crítico para operações ferroviárias. Os autores enfatizam que a capacidade do sistema de operar sem conectividade à internet e sua redução de custos de 75% o tornam uma alternativa viável às soluções atuais de fibra óptica, potencialmente permitindo a cobertura de todos os 101 corredores de elefantes na Índia.

Limitações Reconhecidas
Os autores notam várias restrições:

• A abordagem heurística do Pi Zero é insuficiente para detecção de elefantes em zonas críticas.
• A implantação ONNX no Pi 4 introduz uma má classificação sistemática de vacas/búfalos como humanos devido a diferenças na análise de backend.
• A detecção noturna não é atualmente suportada, pois a câmera carece de capacidade infravermelha.
• A validação de campo foi conduzida em um ambiente semi-externo em vez de trilhos ferroviários ativos devido a restrições de segurança.