BR112020010826A2 - sistema e método para inspecionar um trilho usando aprendizado de máquina - Google Patents

sistema e método para inspecionar um trilho usando aprendizado de máquina Download PDF

Info

Publication number
BR112020010826A2
BR112020010826A2 BR112020010826-0A BR112020010826A BR112020010826A2 BR 112020010826 A2 BR112020010826 A2 BR 112020010826A2 BR 112020010826 A BR112020010826 A BR 112020010826A BR 112020010826 A2 BR112020010826 A2 BR 112020010826A2
Authority
BR
Brazil
Prior art keywords
rail
transducer data
neural network
machine learning
vehicle
Prior art date
Application number
BR112020010826-0A
Other languages
English (en)
Inventor
David Henry Gilbert
Original Assignee
Sperry Rail Holdings, Inc.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sperry Rail Holdings, Inc. filed Critical Sperry Rail Holdings, Inc.
Publication of BR112020010826A2 publication Critical patent/BR112020010826A2/pt

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
    • B61D15/00—Other railway vehicles, e.g. scaffold cars; Adaptations of vehicles for use on railways
    • B61D15/08—Railway inspection trolleys
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • B61K9/08—Measuring installations for surveying permanent way
    • B61K9/10—Measuring installations for surveying permanent way for detecting cracks in rails or welds thereof
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
    • B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
    • B61L23/042—Track changes detection
    • B61L23/044—Broken rails
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
    • B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
    • B61L23/042—Track changes detection
    • B61L23/045—Rail wear
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01B—PERMANENT WAY; PERMANENT-WAY TOOLS; MACHINES FOR MAKING RAILWAYS OF ALL KINDS
    • E01B35/00—Applications of measuring apparatus or devices for track-building purposes
    • E01B35/06—Applications of measuring apparatus or devices for track-building purposes for measuring irregularities in longitudinal direction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/023—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance where the material is placed in the field of a coil
    • G01N27/025—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance where the material is placed in the field of a coil a current being generated within the material by induction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
    • G01N27/9046—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents by analysing electrical signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/043—Analysing solids in the interior, e.g. by shear waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/22—Details, e.g. general constructional or apparatus details
    • G01N29/225—Supports, positioning or alignment in moving situation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/22—Details, e.g. general constructional or apparatus details
    • G01N29/26—Arrangements for orientation or scanning by relative movement of the head and the sensor
    • G01N29/265—Arrangements for orientation or scanning by relative movement of the head and the sensor by moving the sensor relative to a stationary material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/262—Linear objects
    • G01N2291/2623—Rails; Railroads
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
    • G01N27/9093—Arrangements for supporting the sensor; Combinations of eddy-current sensors and auxiliary arrangements for marking or for rejecting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Transportation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Machines For Laying And Maintaining Railways (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

Um aspecto inclui um veículo que inclui sensores de inspeção de trilho configurados para capturar dados de transdutor que descrevem o trilho, e um processador configurado para receber e processar os dados de transdutor em tempo quase real para determinar se os dados de transdutor capturados identificam um defeito de trilho suspeito. O processamento inclui inserir os dados de transdutor capturados em um sistema de aprendizado de máquina que foi treinado para identificar padrões em dados de transdutor que indicam defeitos de trilho. O processamento também inclui receber uma saída a partir do sistema de aprendizado de máquina, em que a saída indica se os dados de transdutor capturados identificam um defeito de trilho suspeito. Um alerta é transmitido para um operador do veículo com base, pelo menos em parte, na saída indicando que os dados de transdutor capturados identificam um defeito de trilho suspeito. O alerta inclui uma localização do defeito de trilho suspeito e instrui o operador a parar o veículo e a realizar uma ação de reparo.

Description

“SISTEMA E MÉTODO PARA INSPECIONAR UM TRILHO USANDO APRENDIZADO DE MÁQUINA” ANTECEDENTES DA REVELAÇÃO
[0001] A matéria revelada no presente documento se refere a um sistema e um método para inspecionar um trilho e, em particular, a um sistema e um método para inspecionar um trilho usando aprendizado de máquina.
[0002] A inspeção ferroviária tipicamente envolve o uso de escâneres ultrassônicos, sensores de indução, sensores de corrente parasita, sensores de câmera ou uma combinação dos mesmos. A inspeção ferroviária é usada para detectar recursos em um trilho que poderiam ser indicativos de um defeito de trilho. As técnicas ultrassônicas tipicamente usam transdutores ultrassônicos montados em rodas flexíveis de um veículo de trilho que se locomove sobre a superfície superior do trilho. As rodas são preenchidas com um fluido de acoplamento, de modo que os transdutores montados no interior possam enviar sinais ultrassônicos para o trilho. Os sinais de retorno são processados e usados para mapear as localizações de defeitos no trilho. Uma vez que dados de detecção são registrados, os mesmos são analisados para identificar padrões nos sinais que correspondem aos defeitos de trilho. Esses padrões são marcados para diferenciar os mesmos de sinais que não se referem a defeitos de trilho como orifícios de cavilha, extremidades de trilho, soldas e ruído no sinal.
[0003] Um problema com o processo de marcação atual é que ele é altamente trabalhoso e exige muitas horas de análise humana para identificar padrões que correspondem a defeitos de trilho. A análise humana é dispendiosa e poderia, potencialmente, resultar em erros se os defeitos não forem observados devido à fadiga ou falta de experiência do analista com uma variação de um tipo de defeito. Para solucionar estes problemas, a avaliação humana é frequentemente combinada com software reconhecedor à base de regras desenvolvido para destacar padrões de transdutor que podem indicar um defeito de trilho. Esses sistemas à base de regras são tipicamente ajustados para aceitar um grande número de falsos positivos em vez de arriscar a inobservância de um defeito de trilho. Para remover os falsos positivos, os resultados emitidos a partir do sistema à base de regras ainda precisam ser avaliados por um analista humano resultando apenas em uma redução moderada no tempo.
[0004] Consequentemente, embora sistemas de inspeção de trilho existentes sejam adequados para seu propósito pretendido, a necessidade de aprimoramento permanece, particularmente no fornecimento de um sistema e método para inspecionar um trilho usando aprendizado de máquina.
BREVE DESCRIÇÃO DA REVELAÇÃO
[0005] De acordo com um aspecto da revelação, um veículo para inspecionar um trilho é fornecido. O veículo inclui sensores de inspeção de trilho configurados para capturar dados de transdutor descrevendo o trilho e um processador. O processador é configurado para receber e processar os dados de transdutor em tempo quase real para determinar se os dados de transdutor capturados identificam um defeito de trilho suspeito. O processamento inclui inserir os dados de transdutor capturados em um sistema de aprendizado de máquina que foi treinado para identificar padrões em dados de transdutor que indicam defeitos de trilho. O processamento também inclui receber uma saída a partir do sistema de aprendizado de máquina, em que a saída indica se os dados de transdutor capturados identificam um defeito de trilho suspeito. Um alerta é transmitido para um operador do veículo com base, pelo menos em parte, na saída indicando que os dados de transdutor capturados identificam um defeito de trilho suspeito. O alerta inclui uma localização do defeito de trilho suspeito e instrui o operador a parar o veículo e a realizar uma ação de reparo.
[0006] De acordo com outros aspectos da revelação, os métodos, sistemas e produtos de programa de computador para inspecionar um trilho são fornecidos. Um método exemplificativo não limitante inclui receber dados de transdutor a partir de sensores de inspeção de trilho montados em um veículo que está localizado no trilho. Os dados de transdutor são processados para identificar localizações de defeitos de trilho suspeitos no trilho. O processamento inclui inserir os dados de transdutor de uma forma adequada para um sistema de aprendizado de máquina que foi treinado para identificar padrões nos dados de transdutor que indicam defeitos de trilho. Uma saída que inclui uma lista de defeitos de trilho suspeitos e suas localizações correspondentes no trilho é recebida a partir do sistema de aprendizado de máquina. Uma ação de reparo é iniciada com base na lista de defeitos de trilho suspeitos.
[0007] Essas e outras vantagens e recursos se tornarão mais evidentes a partir da seguinte descrição tomada em conjunto com os desenhos.
BREVE DESCRIÇÃO DOS DESENHOS
[0008] A matéria revelada, que é considerada como a revelação, é particularmente apontada e distintamente reivindicada nas reivindicações na conclusão do relatório descritivo. Os recursos e vantagens supracitados, entre outros da revelação, são evidentes a partir da seguinte descrição detalhada tomada em conjunto com os desenhos anexos em que:
[0009] As FIGs. 1A, 1B, 1C e 1D representam um sistema de inspeção de trilho de acordo com uma modalidade da presente invenção;
[0010] A FIG. 2A é um desenho em linhas de uma imagem que é emitida a partir de um reconhecedor à base de regras de defeitos de trilho potenciais;
[0011] A FIG. 2B é um desenho em linhas de uma vista mais detalhada de uma porção da imagem mostrada na FIG. 2A;
[0012] A FIG. 3 é um diagrama de blocos de componentes de um sistema para treinar um mecanismo de inferência de rede neural para reconhecer defeitos de trilho de acordo com uma modalidade da invenção;
[0013] A FIG. 4 é um diagrama de blocos de componentes de um sistema para uso de um mecanismo de inferência de rede neural para reconhecer defeitos de trilho de acordo com uma modalidade da invenção;
[0014] A FIG. 5 é um diagrama de blocos de componentes de um sistema para usar uma rede neural para reconhecer defeitos de trilho usando dados ao vivo de acordo com uma modalidade da invenção;
[0015] A FIG. 6 é um diagrama de blocos de componentes de um sistema para auditar a precisão de um mecanismo de inferência de rede neural de acordo com uma modalidade da invenção;
[0016] A FIG. 7A é um diagrama de blocos de um sistema para usar uma rede neural para reconhecer defeitos de trilho de acordo com uma modalidade da invenção;
[0017] A FIG. 7B é um diagrama de blocos de um sistema para usar uma rede neural em um ambiente de nuvem para reconhecer defeitos de trilho de acordo com uma modalidade da invenção;
[0018] A FIG. 8 é um exemplo de uma tabela de lista de suspeitos de defeito de acordo com uma modalidade da invenção;
[0019] A FIG. 9 é um exemplo de uma varredura ultrassônica de um orifício de cavilha livre de defeito de acordo com uma modalidade da invenção;
[0020] A FIG. 10 é um exemplo de uma varredura ultrassônica de um orifício de cavilha com um defeito de acordo com uma modalidade da invenção;
[0021] A FIG. 11, a FIG. 12 e a FIG. 13 são exemplos de saídas a partir do mecanismo de inferência de rede neural de acordo com uma modalidade da invenção; e
[0022] A FIG. 14 é um diagrama de blocos de um sistema de computador para implementar alguns ou todos os aspectos de inspeção de um trilho usando aprendizado de máquina de acordo com uma modalidade da invenção.
[0023] A descrição detalhada explica modalidades da revelação, juntamente com vantagens e recursos, a título de exemplo com referência aos desenhos.
DESCRIÇÃO DETALHADA DA REVELAÇÃO
[0024] As modalidades da presente invenção são direcionadas a um sistema e método para inspecionar trilhos, como aqueles usados com pistas rodoviárias, usando aprendizado de máquina. As modalidades da presente invenção fornecem vantagens no fornecimento de detecção automatizada de defeitos de trilho no nível de precisão de um analista humano. A detecção automatizada de defeitos de trilho é realizada em maior velocidade do que analistas humanos e sem o potencial para sofrer de fadiga. As modalidades da presente invenção usam uma vertente de aprendizado de máquina conhecida como redes neurais de aprendizado profundo para construir um reconhecedor através do treino das mesmas em milhares de exemplos de defeitos corretamente identificados de analistas humanos. As ferramentas de aprendizado profundo que podem ser utilizadas pelas modalidades incluem, porém, sem limitação, redes neurais convolucionais (CNN) para realizar reconhecimento de imagem de segmentos de dados e redes neurais recorrentes (RNN) incluindo módulos de “memória de longo-curto prazo” (LSTM) que podem aprimorar o reconhecimento por fornecimento de contexto aos segmentos de dados.
[0025] Com o uso de aprendizado de máquina, dezenas de milhares de horas de treinamento e experiência de analistas humanos são embutidos nos programas de computador, que são executados a alta velocidade e em paralelo com quantidades volumosas de processo de ciclos de registro. Em uma modalidade, o sistema de aprendizado de máquina produz identificações de defeito de trilho no mesmo formato que o arquivo de resultados de um operador humano. Portanto, é fácil ser auditado quanto à precisão da mesma maneira que os operadores humanos para determinar que o sistema de aprendizado de máquina esteja funcionando ao mesmo padrão. O sistema de aprendizado de máquina pode receber treinamento adicional a qualquer momento sendo mostrados exemplos adicionais de defeitos de trilho. Isso ocorreria, por exemplo, se houvesse novos tipos de defeito ou novas disposições de transdutor a serem aprendidas.
[0026] As modalidades da presente invenção podem funcionar em uma plataforma de computação em nuvem, em que o sistema de aprendizado de máquina recebe dados de registro e retorna arquivos de identificação a uma alta velocidade. As modalidades da presente invenção também incluem sistemas embutidos funcionando em tempo real em veículos para auxiliar um operador em situações em que é desejado que o operador pare imediatamente e verifique detecções de defeito com testes adicionais. Modalidades adicionais da presente invenção incluem outras tecnologias de aprendizado de máquina diferentes de redes neurais como, porém, sem limitações: agrupamento; aprendizado de representação; e redes Bayesianas. Outras modalidades adicionais da presente invenção incluem diferentes combinações de sensores para fornecer os dados de entrada a partir dos quais os padrões de defeito de trilho são reconhecidos.
[0027] Os exemplos de defeitos de trilho incluem, porém, sem limitação: rachaduras de orifício de cavilha, separação de cabeçote e manta, defeitos transversais e cabeçotes de divisão vertical. Os padrões de sinal que indicam defeitos de trilho são distinguidos por modalidades exemplificativas da presente invenção a partir de sinais que não se referem a defeitos de trilho como orifícios de cavilha,
extremidades de trilho, soldas e ruído no sinal. Os defeitos de trilho frequentemente não são detectáveis pelo olho humano, por exemplo, rachaduras de orifício de cavilha são frequentemente ocultas atrás de uma placa que retém os orifícios de cavilha juntos. Além disso, os defeitos de trilho podem incluir rachaduras que estão no lado inferior ou internas em relação ao trilho.
[0028] Agora com referência às FIGs. 1A, 1B, 1C e 1D, um sistema de inspeção de trilho 20 que inclui um carro ou veículo de instrumento 22 e um carro ou veículo de potência 24 que são configurados para operar sobre trilhos, como trilhos ferroviários, é geralmente mostrado. O veículo de potência 24 inclui uma fonte de energia, como um mecanismo ou um motor (não mostrado) que é configurado para mover os veículos 22, 24 ao longo dos trilhos. O veículo de potência 24 pode ser operado por um operador humano, operado remotamente ou operado de modo autônomo. O veículo de instrumento 22 inclui um vagão 26 com rodas 28. As rodas 28 são adaptadas para operar nos trilhos ferroviários 30.
[0029] Em uma modalidade, o veículo de instrumento 22 tem dois vagões 26. Em uma modalidade, um dentre os vagões 26 inclui o sistema detector por indução magnética 32 que inclui pelo menos um par de escovas 34 que está em contato com o trilho 30. Deve ser observado que, na modalidade exemplificativa, há dois pares de escovas 34 no sistema 20, em que um par é associado a um trilho do par de trilhos 30. As escovas 34 estabelecem um campo magnético ao redor do trilho 30 na área entre as escovas 34. Uma unidade de sensor de indução 36 é posicionada imediatamente acima do trilho 30 e é usada para captar perturbações no campo magnético. Os sinais a partir da unidade de sensor de indução são enviados para um sistema de processamento de dados, em que os sinais das perturbações associadas são analisados e comparados com perfis de defeito conhecidos.
[0030] O sistema 20 inclui adicionalmente um sistema sensor ultrassônico 38 que inclui uma ou mais unidades de busca de rolamento (RSUs) 40. Cada RSU 40 inclui uma roda preenchida com fluido 42 formada a partir de um material flexível que se deforma para estabelecer uma superfície de contato quando a roda 40 está em contato com e pressionada contra o trilho 30. A roda preenchida com fluido 40 é montada em um eixo 44 fixado ao quadro de RSU 46, de modo que a roda preenchida com fluido 42 entre em contato com o trilho 30, visto que o vagão 26 é tracionado ao longo da pista de trilho 30. A RSU 40 inclui pelo menos um transdutor ultrassônico 48 montado dentro da roda preenchida com fluido 42. O transdutor ultrassônico 48 é configurado e posicionado para transmitir feixes ultrassônicos 50 através do fluido na roda 34 e através da superfície de contato para dentro do trilho 30 e para receber um feixe refletido ou de retorno a partir do trilho
30. Os transdutores 48 geram sinais de retorno que são transmitidos para um sistema de processamento de dados. Com base em um sinal gerado em resposta ao feixe ultrassônico de retorno, defeitos ou condições indesejadas no trilho 30 podem ser identificados.
[0031] Deve ser observado que os veículos 22, 24 podem ser combinados em um único veículo 52, como aquele mostrado na FIG. 1D. Em alguma modalidade, o veículo 52 pode incluir um segundo conjunto de rodas 54 que permite que o veículo
52 se locomova em rodovias e sobre os trilhos 30.
[0032] As modalidades da presente invenção são descritas no presente documento usando dados vestigiais ultrassônicos como os dados de detecção que são inseridos e analisados quanto aos defeitos de trilho. As modalidades não são limitadas aos dados gerados por escâneres ultrassônicos, e podem incluir dados gerados por quaisquer outros sensores usados para detectar defeito de trilhos como, porém, sem limitações, sensores de indução e sensores de corrente parasita. Além disso, as modalidades também não são limitadas aos dados de detecção a partir de um único tipo de sensor.
[0033] Uma razão pela qual é difícil que reconhecedores à base de regras identifiquem um defeito de trilho, consiste no fato de que, para todo exemplo de um defeito de trilho que se encaixa nas regras, haverá exemplos de defeitos de trilho que podem não ser observados, visto que estes não se encaixam nas regras (falsos negativos). Também haverá exemplos de sinais de sensor que satisfazem os critérios das regras, porém, não são defeitos reais (falsos positivos). Por esse motivo, os sistemas à base de regras são tipicamente ajustados para aceitar grandes números de positivos potencialmente falsos, em vez de arriscar a não observação de um defeito (falso negativo). Assim, os resultados ainda precisam ser avaliados por um analista humano.
[0034] Os analistas humanos exigem muitas horas de treinamento e, então, muitos meses/anos de experiência para se tornarem confiáveis na identificação de inúmeros tipos de defeitos de trilho. Os analistas devem acumular as habilidades ou memória muscular através da experiência para reconhecer todas as variações de tipos de defeito de trilho. Até mesmo analistas altamente versados e experientes pode potencialmente sofrer de fadiga e, portanto, os dados são frequentemente revisados por múltiplos analistas para assegurar que isso não ocorra, visto que poderia levar à não observação de defeitos de trilho potenciais. Além disso, sinais de defeito pequenos podem ser ocultos sob sinais de ruído, que podem ser difíceis de detectar em situações de alto volume.
[0035] Agora com referência à FIG. 2A, um desenho em linhas de uma imagem de resultados 200 que são emitidos a partir de um reconhecedor à base de regras de defeitos de trilho potenciais é geralmente mostrado. A imagem de resultados 200 pode ser gerada com base em dados vestigiais ultrassônicos que são inseridos no reconhecedor à base de regras, e inclui uma imagem de um trilho esquerdo 204, um trilho direito 206, e dados de contexto 208 para aproximadamente doze pés de pista rodoviária. Uma porção 202 da imagem é mostrada em maiores detalhes na FIG. 2B. Conforme mostrado na FIG. 2B, o sistema à base de regras sobrepõe caixas sobre localizações com defeitos de trilho potenciais. Conforme descrito anteriormente, os sistemas existentes exigem análise manual de imagens emitidas por sistemas à base de regras para detectar defeitos de trilho. Os analistas humanos precisam revisar cada uma das caixas, e possivelmente porções adicionais da imagem de resultados 200, para determinar se as mesmas correspondem a um defeito de trilho. Os sistemas contemporâneos à base de regras tendem a prever em excesso e exigir muitos homem-horas para filtrar falsos positivos.
[0036] Agora com referência à FIG. 3, um diagrama de blocos de componentes de um sistema. 300 para treinamento de um mecanismo de inferência de rede neural para reconhecer defeitos de trilho é geralmente mostrado de acordo com uma modalidade da invenção. Conforme mostrado na FIG. 3, um banco de dados de imagens marcadas 308 é inserido em uma interface de treinamento de rede neural
306. O banco de dados de imagens identificadas 308 mostrado na FIG. 3 inclui dados de detecção, por exemplo, para dados vestigiais ultrassônicos coletados por um ou mais escâneres ou sensores ultrassônicos. As imagens nos dados vestigiais ultrassônicos foram previamente marcadas por analistas humanos. A interface de treinamento de rede neural 306 extrai as imagens e suas marcações correspondentes para inserção no pré-processador de dados de rede neural 304. O pré-processador de dados de rede neural 304 divide os dados recebidos em imagens e marcações associadas. As imagens são alimentadas ao mecanismo de inferência de rede neural 302 (também chamado, no presente documento, de uma "rede neural”) pelo pré-processador de dados de rede neural 304 em lotes, e as marcações são previstas para cada imagem. O pré-processador Paining de rede neural 304 envia a marcação verdadeira de solo conhecida de cada imagem para a lógica de comparação 310.
[0037] Conforme mostrado na FIG. 3, a marcação prevista é comparada com a marcação conhecida pela lógica de comparação 310. Em modalidades exemplificativas da presente invenção, a lógica de comparação 310 usa uma função de perda para comparar a marcação prevista com a marcação verdadeira de solo. Os resultados da comparação são inseridos no mecanismo de treinamento de rede neural 312 para determinar ajustes nas polarizações e ponderações de rede neural para aprimorar a precisão e reduzir a função de perda. Os ajustes determinados são inseridos no mecanismo de inferência de rede neural 302. O processo mostrado na FIG. 3 é repetido de modo iterativo para minimizar a função de perda e maximizar a precisão de previsões. Em uma ou mais modalidades da presente invenção, as porções da rede neural mostradas na FIG. 3 são implementadas por software pronto para uso. Por exemplo, a biblioteca Python aberta de Google Tensorflow de rotinas matemáticas pode ser usada para implementar a rede neural.
[0038] Em uma ou mais modalidades da presente invenção, o mecanismo de inferência de rede neural 302 implementa uma rede neural de convolução de aprendizado profundo (DLCNN) para realizar o reconhecimento de padrão de imagem. O mecanismo de inferência de rede neural 302 também pode usar um modelo com base em uma rede neural recorrente de memória de longo-curto prazo (LTSM) para identificar defeitos de trilho de comprimento indeterminado. Essas duas abordagens podem ser combinadas para permitir o reconhecimento de imagem detalhado, porém, fornecem informações contextuais a partir da rede neural recorrente. Em uma ou mais modalidades da presente invenção, ao invés de, ou em adição a uma rede neural, uma tecnologia estatística mais simples ou à base de regras é utilizada, visto que bons resultados podem ser possíveis com melhoria da abordagem à base de regras existente para alguns tipos de detecção. Um exemplo disso pode ser marcar seções de alto ruído como inadequado para análise. Em uma ou mais modalidades da presente invenção, a cobertura completa dos vários tipos de defeito de trilho envolve a combinação de diferentes tecnologias para identificar defeitos de trilho. Por exemplo, rachaduras de orifício de cavilha e defeitos transversais são frequentemente de comprimento limitado e podem ser detectados apenas por DLCNN. A separação de cabeçote e manta e cabeçotes de divisão vertical podem ser de comprimento indeterminado e responder melhor às redes neurais recorrentes como LTSMs. Uma combinação das duas combina reconhecimento de padrão detalhado com informações contextuais.
[0039] Uma vez que a rede neural for treinada a um nível desejado de precisão e tiver sido testada contra dados não vistos anteriormente, os componentes de treinamento são removidos e a rede neural pode ser usada como um reconhecedor.
[0040] Há uma variedade de vezes em que o retreinamento da rede neural pode ser útil, por exemplo, após um novo modelo de transdutor, após a adição de transdutores (por exemplo, adicionar entradas de sensor de indução à entrada ultrassonora) e novos tipos de defeitos de trilho suspeitos que surgem nos trilhos.
[0041] Agora com referência à FIG. 4, um diagrama de blocos de componentes de um sistema 400 para usar um mecanismo de inferência de rede neural para reconhecer defeitos de trilho é geralmente mostrado de acordo com uma modalidade da invenção. Conforme mostrado na FIG. 4, um arquivo de detecção ininterrupta mais recente 408 que contém os dados de detecção ininterrupta mais recentes é lido por uma interface de arquivo de rede neural. Os dados de detecção ininterrupta se referem a dados de transdutor que foram registrados como parte do processo de aquisição. Isso é tipicamente transferido por upload para uma localização de rede no final de um ciclo de aquisição. A chegada de um novo arquivo de dados tipicamente provocará automaticamente o restante do processo aqui descrito. Em uma modalidade, o arquivo de detecção ininterrupta 408 contém dados vestigiais ultrassônicos coletados por um ou mais sensores ultrassônicos. A interface de arquivo de rede neural 406 alimenta o conteúdo do arquivo de detecção ininterrupta 408 ao pré-processador de dados de rede neural
404. O pré-processador de treinamento de rede neural 404 converte os dados de transdutor no arquivo de detecção em um formato adequado para a rede neural, que seria tipicamente uma série de imagens bidimensionais sobrepostas dos padrões de correspondência, embora também pudesse ser um sinal unidimensional, por exemplo, de detecções de sensor de indução, e alimenta os mesmos ao mecanismo de inferência de rede neural 302 em lotes ou como uma corrente contínua. O mecanismo de inferência de rede neural 302 determina se qualquer uma das imagens ou seções recebidas da corrente de dados, indica um defeito de trilho. Uma lista de defeitos de trilho suspeitos 402 é emitida pelo mecanismo de inferência de rede neural 302. A saída pode ser uma tabela na forma de um arquivo de texto como .csv ou .xml. Uma tabela exemplificativa é mostrada abaixo na FIG.
8. Em uma modalidade, a lista de defeitos de trilho suspeitos 402 é armazenada em um banco de dados de relatório que pode ser usado por funcionários que acompanham os defeitos de trilho suspeitos 402 para verificar a existência dos defeitos de trilho suspeitos 402 através da realização de testes mais detalhados usando sondas manuais e para realizar uma ação de reparo se for necessário.
[0042] De acordo com uma ou mais modalidades da presente invenção, os dados de transdutor são registrados e o processamento descrito em referência à FIG. 4 é realizado offline, por exemplo, na nuvem e/ou em um escritório com um acordo de nível de serviço de tempo de resolução (por exemplo, 24 horas).
[0043] Agora com referência à FIG. 5, um diagrama de blocos de componentes de um sistema 500 para usar uma rede neural para reconhecer defeitos de trilho usando dados ao vivo é geralmente mostrado de acordo com uma modalidade da invenção. O sistema 500 inclui uma cópia local do mecanismo de inferência de rede neural 302, mostrado como o mecanismo de inferência de rede neural 516. Conforme mostrado na FIG. 5, uma ou mais modalidades da presente invenção podem ser embutidas em um sistema de medição ao vivo (por exemplo, um carro de trilho realizando a inspeção) de modo que dados ao vivo possam ser transmitidos continuamente em tempo quase real e reconhecimentos identificados em tempo quase real. Conforme usado no presente documento, o termo tempo quase real se refere a uma quantidade mínima de tempo, como a quantidade de tempo que se leva para coletar os dados (por exemplo, imagem) e para que a rede neural processe os dados.
[0044] Conforme mostrado na FIG. 5, o conteúdo de um arquivo de detecção crescente ao vivo 508 é lido por uma interface ao vivo de rede neural 506. O conteúdo do arquivo de detecção crescente ao vivo 508 inclui dados que estão sendo atualmente coletados pelo carro de trilho em que o sistema 500 está localizado. Em uma modalidade, o arquivo de detecção crescente ao vivo 508 contém dados vestigiais ultrassônicos coletados por um ou mais sensores ultrassônicos no carro de trilho. A interface ao vivo de rede neural 506 transmite continuamente os dados de detecção crescentes 508, a medida em que são coletados, para o pré-processador de dados de rede neural 504. O pré- processador de dados de rede neural 504 extrai imagens dos dados de detecção e alimenta as mesmas para mecanismo de inferência de rede neural 516 como uma corrente contínua. O mecanismo de inferência de rede neural 516 determina se a imagem indica um defeito de trilho. Se a imagem tiver características de um defeito de trilho, então, a mesma é emitida como um novo defeito de trilho suspeito 502.
[0045] Conforme mostrado na FIG. 5, a identificação de um novo defeito de trilho suspeito 502 pode provocar um alerta 514 para que o veículo de trilho pare e permita a verificação através de sensores manuais. Adicional ou alternativamente, a identificação de um novo defeito de trilho suspeito 502 pode provocar a captura de uma imagem, da seção de trilho que corresponde ao novo defeito de trilho suspeito 502, a partir de um armazenamento temporário de uma câmera de varredura de linha 510 localizado no veículo de trilho. É observado que defeitos de trilho são frequentemente difíceis ou impossíveis de se ver na imagem de câmera, entretanto, a imagem de câmera ainda é útil para ajudar a identificar a seção exata de pista ferroviária contendo o defeito. Por exemplo, a imagem de câmera pode ser usada para auxiliar o operador que está realizando a verificação por sensores manuais. O alerta 514 ou informações de identificação a respeito do defeito de trilho como a imagem de câmera, também podem ser enviados para um dispositivo e/ou computador de usuário especificado não localizado no veículo de trilho.
[0046] Conforme mostrado na FIG. 5, um sistema de relatório de suspeitos 512 pode transferir por upload (por exemplo, por meio de uma rede sem fio), uma lista dos novos defeitos de trilho suspeitos 502 para um banco de dados não localizado no carro de trilho. Em uma modalidade, um ou ambos o resultado da verificação por sensores manuais e a imagem capturada pela câmera de varredura de linha 510 também podem ser transferidos por upload para o banco de dados pelo sistema de relatório de suspeitos 512.
[0047] Agora com referência à FIG. 6, um diagrama de blocos de componentes de um sistema 600 para auditar a precisão uma rede neural é geralmente mostrado de acordo com uma modalidade da invenção. O sistema 600 mostrado na FIG. 6 pode ser executado em um ambiente de nuvem em que arquivos de detecção ininterrupta 608 são transferidos por upload a partir de uma ou mais localizações geográficas para o software de auditoria. A interface de arquivo total de rede neural 606 alimenta os arquivos de detecção 608 ao pré-processador de dados de rede neural 604. O pré- processador de treinamento de rede neural 604 extrai as imagens dos arquivos de detecção 608 e alimenta as mesmas ao mecanismo de inferência de rede neural 302 em lotes ou como uma corrente contínua. O mecanismo de inferência de rede neural 302 determina se qualquer uma das imagens recebidas indica um defeito de trilho. Uma lista de defeitos de trilho suspeitos 602 é emitida pelo mecanismo de inferência de rede neural 302.
[0048] Em uma modalidade, a lista de defeitos de trilho suspeitos 602 é transferida por download e adicionada a um banco de dados de defeitos de trilho suspeitos no mesmo formato que a saída gerada por marcadores humanos de defeitos de trilho. Além disso, como mostrado na FIG. 6, a lista de defeitos de trilho suspeitos 602 emitida a partir da rede neural é inserida em um módulo de marcações de analista 610 em que analistas humanos auditam a lista de defeitos de trilho suspeitos 602. As marcações fornecidas pelos analistas são comparadas, por uma comparação com módulo de resultados de analista 614, para determinar se a lista de suspeitos também é determinada como sendo falhas de trilho pelos analistas. Os resultados da comparação, incluindo quaisquer falsos positivos e falsos negativos, são retroalimentados para o mecanismo de inferência de rede neural 302 para aprimoramento contínuo. Os resultados da comparação também podem ser relatados aos usuários especificados ou enviados a um banco de dados de resultado de auditoria. A auditoria mostrada na FIG. 6 pode ser realizada automaticamente a uma base periódica ou não periódica e/ou em resposta a uma solicitação para realizar a auditoria ou outro evento.
[0049] De acordo com uma ou mais modalidades, da presente invenção, a saída de rede neural é validada em uma base periódica ou aperiódica através da comparação da mesma com uma saída humana (por exemplo, marcações). Onde os falsos positivos e falsos negativos são encontrados, estes são adicionados ao processo de treinamento de rede sendo aleatoriamente atribuídos a um conjunto de treinamento ou a um conjunto de validação. Dessa forma, os dados de treinamento aumentam e levam a uma rede neural mais precisa. Além disso, a adição ao conjunto de validação pode resultar em uma medição mais significativa estatisticamente da precisão da rede neural. O processo de auditoria pode ser automatizado de modo que as redes neurais aprimorem continuamente seu aprendizado. De acordo com uma modalidade alternativa da presente invenção, uma nova rede neural é implementada sem treinamento e depende da retroalimentação de detecções humanas para ensinar à mesma, gradativamente, novas detecções. A nova rede neural é executada em segundo plano e não é usada para detecção de defeito de trilho até que alcance os níveis exigidos de precisão.
[0050] Agora com referência à FIG. 7A, um diagrama de blocos de componentes de um sistema 700A para usar uma rede neural para reconhecer defeitos de trilho é mostrada geralmente de acordo com uma modalidade da invenção.
[0051] O sistema 700A mostrado na FIG. 7A inclui um aplicativo de inspeção de trilho 708 que é executado por um ou mais programas de computador localizados em um computador hospedeiro 704. O aplicativo de inspeção de trilho 708 inclui três módulos, um módulo de treinamento 710, um módulo de detecção 712 e um módulo de auditoria
714. Qualquer um dos módulos do aplicativo de inspeção de trilho 708 pode ser iniciado por um usuário final no sistema de usuário final 702 por meio de redes de nuvem 706 ou por um sistema de usuário final 702 local em relação ao computador hospedeiro 704. Os módulos também podem ser iniciados por instruções de computador executadas no sistema de computador 732 por meio das redes 706.
[0052] As modalidades exemplificadas do módulo de treinamento 710 mostrado na FIG. 7A são implementadas pelos componentes e o processamento descrito acima em referência à FIG. 3 para treinar o mecanismo de inferência de rede neural 302. Em uma modalidade, o banco de dados de imagens identificadas 308 mostrado na FIG. 3 é armazenado no dispositivo de armazenamento de dados de treinamento 720 e acessado por meio das redes de nuvem 706. Em outra modalidade (não mostrada) o dispositivo de armazenamento de dados de treinamento 720 é local (acessível sem usar as redes de nuvem 706) em relação ao computador hospedeiro 704 e acessado diretamente, ou contido, pelo computador hospedeiro 704.
[0053] O módulo de detecção 712 mostrado na FIG. 7A pode ser implementado pelos componentes e o processamento descrito na FIG. 4 para utilizar o mecanismo de inferência de rede neural 302 para detectar defeitos de trilho. Em uma modalidade, o arquivo de detecção ininterrupta mais recente 408 usado na FIG. 4 é armazenado no dispositivo de armazenamento de dados de detecção 718 e acessado por meio das redes de nuvem 706. Em outra modalidade (não mostrado), o arquivo de detecção ininterrupta mais recente 408 é local em relação ao computador hospedeiro 704 e acessado diretamente pelo computador hospedeiro 704. Conforme mostrado na FIG. 7A, o mecanismo de inferência de rede neural 302 é diretamente conectado ao computador hospedeiro 704 e o acesso é controlado pelo computador hospedeiro 704.
Embora não mostrado, o mecanismo de inferência de rede neural 302 pode ser comunicativamente acoplado às redes de nuvem 706 e acessível (por exemplo, para o sistema de computador 732) por meio das redes de nuvem 706. Em uma modalidade, a lista de defeitos de trilho suspeitos 402 é armazenada no dispositivo de armazenamento de dados de relatório de defeito de trilho 722 e/ou emitida para o sistema de usuário final 702 ou sistema de computador 732. Em outra modalidade (não mostrada), o dispositivo de armazenamento de dados de relatório de defeito de trilho 722 é local em relação ao computador hospedeiro 704 e acessado diretamente, ou contido, pelo computador hospedeiro 704.
[0054] O módulo de auditoria 714 pode ser implementado pelos componentes e o processamento descrito na FIG. 6 para auditar a precisão dos resultados produzidos pelo mecanismo de inferência de rede neural 302 na detecção de defeitos de trilho. Em uma modalidade, os arquivos de detecção 608 usados na FIG. 6 são armazenados no dispositivo de armazenamento de dados de detecção 718 e acessados por meio de redes de nuvem 706. Em outra modalidade (não mostrada), os arquivos de detecção 608 são transferidos por download para o computador hospedeiro 704 e acessados diretamente pelo computador hospedeiro 704. Em uma modalidade, a lista de defeitos de trilho suspeitos 402 é armazenada no dispositivo de armazenamento de dados de relatório de defeito de trilho 722 e/ou emitida para o sistema de usuário final 702 ou sistema de computador 732. Em outra modalidade (não mostrada), o dispositivo de armazenamento de dados de relatório de defeito de trilho 722 é local em relação ao computador hospedeiro 704 e acessado diretamente, ou contido, pelo computador hospedeiro 704.
[0055] Também é mostrado na FIG. 7A um carro de trilho 724 que inclui um computador hospedeiro 726, um módulo de detecção a bordo 750, um dispositivo de armazenamento de dados de detecção local 728, um dispositivo de armazenamento de dados de relatório local 740, um dispositivo de usuário local 742 e um mecanismo de inferência de rede neural local 516 para implementar o processamento a bordo descrito acima em relação à FIG. 5. Em uma modalidade, o mecanismo de inferência de rede neural local 516 é uma cópia do mecanismo de inferência de rede neural 302 que foi recuperada por meio das redes de nuvem 706 e que é atualizada quando o mecanismo de inferência de rede neural 302 é atualizado. Juntamente com sua emissão para o dispositivo de usuário final local 742, as imagens identificadas emitidas a partir do mecanismo de inferência de rede neural local 516 podem ser enviadas, por meio das redes de nuvem 706, para outro sistema de usuário final 702, outros processadores como o sistema de computador 732 e/ou para o dispositivo de armazenamento de dados de relatório de defeito de trilho 722. De modo similar, as cópias de dados armazenados no dispositivo de armazenamento de dados de relatório local 740 podem ser transferidas por upload por meio das redes de nuvem 706 para o dispositivo de armazenamento de dados de relatório de defeito de trilho 722, e as cópias de dados armazenados no dispositivo de armazenamento de detecção de dados local 728 podem ser transferidas por upload por meio das redes de nuvem 706 para o dispositivo de armazenamento de dados de detecção
718.
[0056] O sistema de usuário final 702 mostrado na FIG. 7A pode ser implementado com o uso de computadores de propósito geral executando um programa de computador para executar os processos descritos no presente documento. Cada um dos sistemas de usuário final 702 pode ser um computador pessoal (por exemplo, um computador tipo desktop, um computador tipo laptop, um computador tipo tablet, um telefone inteligente) ou um terminal hospedeiro anexo. Se um sistema de usuário final 702 for um computador pessoal, o processamento descrito no presente documento pode ser compartilhado pelo sistema de usuário final 702 e o computador hospedeiro 704. De modo similar, se o sistema de usuário final 742 for um computador pessoal, o processamento descrito no presente documento pode ser compartilhado pelo sistema de usuário final 742 e o computador hospedeiro 726.
[0057] As redes de nuvem 706 podem incluir um ou mais de qualquer tipo de redes conhecidas incluindo, porém, sem limitações, uma rede de área ampla (WAN), uma rede de área local (LAN), uma rede global (por exemplo, Internet), uma rede virtual privada (VPN) e uma intranet. As redes de nuvem 706 podem incluir uma rede privada, em que o acesso à mesma é restrito aos membros autorizados. As redes de nuvem 706 podem ser implementadas usando tecnologias de rede sem fio ou qualquer tipo de implementação de rede física conhecido na técnica. Os componentes mostrados na FIG. 7A podem ser acoplados a um ou mais outros componentes através de múltiplas redes (por exemplo, Internet, intranet, e rede privada), de modo que nem todos os componentes sejam acoplados a outros componentes através das mesmas redes.
[0058] Será entendido por alguém de habilidade comum na técnica, que outras configurações de rede podem ser utilizadas para realizar as vantagens de modalidades da presente invenção. A configuração mostrada na FIG. 7A é para propósitos ilustrativos e não deve ser interpretada como limitante do escopo.
[0059] Conforme indicado acima, os dispositivos de armazenamento 718, 720 e 722 são acessíveis através das redes de nuvem 706. Os dispositivos de armazenamento 718, 720 e 722 podem ser implementados usando uma variedade de dispositivos para armazenar informações eletrônicas. É entendido que um ou mais dos dispositivos de armazenamento podem ser implementados usando a memória contida no computador hospedeiro 704 ou podem ser dispositivos físicos separados, conforme ilustrado na FIG. 7A. Os dispositivos de armazenamento podem ser logicamente denominados como uma fonte de dados consolidados através de um ambiente distribuído que inclui as redes de nuvem 706. As informações armazenadas nos dispositivos de armazenamento podem ser recuperadas e manipuladas por meio do computador hospedeiro 704 e usuários autorizados de 702, 726, 742 e
732.
[0060] O computador hospedeiro 704 representado na FIG. 7A pode ser implementado usando um ou mais servidores operando em resposta a um programa de computador armazenado em um meio de armazenamento acessível pelo servidor. O computador hospedeiro 704 pode operar como um servidor de rede (por exemplo, um servidor da web) para se comunicar com os sistemas de usuário final 702. O computador hospedeiro 704 também pode operar como um servidor de aplicativo. O computador hospedeiro 704 executa um ou mais programas de computador, incluindo um aplicativo de inspeção de trilho 708, para realizar as funções descritas no presente documento. O processamento pode ser compartilhado pelo sistema de usuário final 702 e/ou o sistema de computador 732 através do fornecimento de um aplicativo ao sistema de usuário final 702 e/ou ao sistema de computador 732. Alternativamente, o sistema de usuário final 702 pode incluir um aplicativo de software autônomo para realizar uma porção ou todo o processamento descrito no presente documento. Conforme descrito anteriormente, é entendido que servidores separados podem ser utilizados para implementar o servidor de rede funções e o servidor de aplicativo funções. Alternativamente, o servidor de rede, o firewall e o servidor de aplicativo podem ser implementados por um único servidor executando programas de computador para realizar as funções necessárias.
[0061] Agora com referência à FIG. 7B, um diagrama de blocos de componentes de um sistema 700B para usar uma rede neural em um ambiente de nuvem para reconhecer defeitos de trilho é geralmente mostrado de acordo com uma modalidade da invenção. O sistema 700B mostrado na FIG. 7B tem componentes que são similares àqueles descritos acima com referência à FIG. 7A, entretanto, vários dos componentes, localizados dentro das redes de nuvem 706. Conforme mostrado na FIG. 7B, os dispositivos de armazenamento 718, 720 e 722, o computador hospedeiro 704, o sistema de computador 732, o mecanismo de inferência de rede neural 302 e o aplicativo de inspeção de trilho 708 (incluindo módulo de treinamento 710, módulo de detecção 712 e módulo de auditoria 714) são localizados dentro das redes de nuvem 706; e acessados por meio dos sistemas de usuário final
702. Além disso, o computador hospedeiro 726 localizado no carro de trilho 724 também podem acessar os componentes por meio das redes de nuvem. O sistema 700B mostrado na FIG. 7B pode ser implementado por meio de uma arquitetura de computação em nuvem e usar serviços de nuvem como, porém, sem limitações, Amazon Web Services.
[0062] Agora com referência à FIG. 8, um exemplo de uma tabela de lista de suspeitos de defeito 800 é geralmente mostrada de acordo com uma modalidade da invenção. Em uma modalidade, a tabela de lista de suspeitos de defeito 800 é emitida na forma de um arquivo de texto como, porém, sem limitações, .csv ou .xml. A tabela de lista de suspeitos de defeito 800 mostrada na FIG. 8 inclui uma coluna de Id de Segmento de Teste 802 que identifica um ciclo de registro de aquisição de dados na pista ferroviária do defeito de trilho suspeito, uma coluna de Indicador de Trilho 804 que identifica se o defeito suspeito está no trilho esquerdo ou direito, uma coluna de Contagem de Pulso de Trilho 806 que representa a distância ao longo da pista a partir do início do registro; uma coluna de Código de UIC/Comentário 806 que identifica um código da União Internacional de Ferrovias (UIC), ou uma variação doméstica sobre o mesmo, correspondente a um tipo do defeito de trilho suspeito (código de UIC) e um comentário que inclui texto para descrever o defeito de trilho suspeito e uma coluna de Confiança 810 que indica um nível de confiança da rede neural em sua avaliação do defeito de trilho suspeito. O ID de Segmento de Teste, Indicador de Trilho e Contagem de Pulso de Trilho podem ser convertidos em uma única posição na ferrovia em questão, em termos de latitude e longitude ou marco e metragem ou outra descrição de base de ferrovia. Isso é feito através da combinação dessas informações com metadados do ciclo (não mostrados no presente documento). A rede neural pode ser treinada para reconhecer muitos tipos diferentes de defeitos e recursos em um trilho. Os tipos comuns incluem, porém, sem limitação: orifício de cavilha, rachadura de orifício de cavilha, separação de cabeçote e manta, defeitos transversais e cabeçotes de divisão vertical.
[0063] Agora com referência à FIG. 9, um exemplo de uma varredura ultrassônica 900 de um orifício de cavilha livre de defeito é mostrado geralmente de acordo com uma modalidade da invenção. Em uma modalidade, um defeito é mostrado através da combinação de ecos de quatorze ou mais transdutores que podem incluir porém, sem limitação: transdutores ultrassônicos; transdutores de indução; e/ou transdutores de corrente parasita. O exemplo mostrado na FIG. 9 representa uma imagem que mostra ecos a partir de transdutores ultrassônicos que são inseridos em uma rede neural para treinamento e/ou detecção de defeito de trilho. O exemplo mostrado na FIG. 9 é de um orifício de cavilha “bom”, que significa que não é um defeito de trilho. Os diferentes números correspondem a resultados de diferentes classes de transdutores. Em uma modalidade, um “-3” se refere a ecos a partir de transdutores posteriores a um ângulo de 70 graus, “-2” a ecos a partir de transdutores posteriores a um ângulo de 45° negativos, “-1” a uma falta de um eco ou resposta esperada (por exemplo, esperava-se a visualização de trilho e não ocorreu), ”0” a nenhum eco recebido, “+1” a ecos a partir de transdutores a um ângulo de 0° (perpendicular ao trilho), “+2” a ecos a partir de transdutores dianteiros em um ângulo de 45° positivos, e “+3” a ecos a partir de transdutores dianteiros a um ângulo de 70 graus positivos. Transdutores similares e/ou duplicados podem ser mapeados para o mesmo número. Os mapeamentos de número acima são um exemplo e podem ser alterados ao detectar tipos de falha diferentes. A escolha desses mapeamentos pode ter um grande efeito sobre a capacidade da rede neural para aprender.
[0064] Agora com referência à FIG. 10, um exemplo de uma varredura ultrassônica 1000 de um orifício de cavilha com um defeito é mostrado geralmente de acordo com uma modalidade da invenção. O exemplo na FIG. 10 mostra um exemplo de uma grande rachadura de orifício de cavilha. Deve ser observado que há muitas variações de rachaduras de orifício de cavilha e como as mesmas podem aparecer em uma imagem. Por exemplo, rachaduras menores de orifício de cavilha podem ter apenas poucos pixels de comprimento, e rachaduras de orifício de cavilha também podem surgir em diferentes partes do orifício de cavilha e podem ser detectadas por diferentes transdutores.
[0065] Agora com referência à FIG. 11, à FIG. 12 e à FIG. 13, os exemplos de saídas 1100, 1200 e 1300 a partir de uma rede neural, como o mecanismo de inferência de rede neural 302, são mostrados geralmente de acordo com uma modalidade da invenção. Neste exemplo, a rede neural foi treinada para reconhecer rachaduras de orifício de cavilha,
orifícios de cavilha sem rachaduras e extremidades de trilho.
Durante o treinamento, são mostrados muitos exemplos de cada um desses tipos à rede neural, assim como exemplos de ruído e outros sinais, de modo que “desconhecido” também possa ser reconhecido.
Em uma modalidade, as imagens são transmitidas continuamente para a rede neural em uma sequência de sobreposição.
Nos exemplos mostrados nas FIGs. 11 a 13, as imagens têm 80x64 pixels e as mesmas se sobrepõem por 60 pixels (isto é, incrementos de 4 pixels). O reconhecimento de sobreposição (por exemplo, de rachaduras de orifício de cavilha e orifícios de cavilha sem rachaduras, etc.) são mostrados por uma tira colorida (mostrada nas FIGs. 11 a 13 como tiras sombreadas). As porções marcadas 1102 indicam rachaduras de orifício de cavilha suspeitas, as porções marcadas 1104 indicam orifícios de cavilha sem rachaduras, as porções marcadas 1106 indicam extremidades de trilho e as porções marcadas 1108 têm conteúdo desconhecido.
Os reconhecimentos individuais são, cada um, atribuídos uma confiança pela rede neural de que foram corretamente identificados.
Estes são mostrados nesta modalidade como uma posição vertical de uma barra vertical.
Nessa modalidade, a maioria está próxima da confiança máxima (arbitrariamente mostrada como atingido a metade do eixo geométrico de modo ascendente) porém, alguns são inferiores, indicando uma confiança inferior.
Um nível superior de confiança pode ser alcançado através da combinação das confianças de tira individuais em um filtro em execução que removerá indicações falsas ocasionais.
O filtro em execução também é usado para fornecer a posição do defeito de trilho tipicamente mostrada como o centro de um agrupamento de indicações.
[0066] Agora com referência à FIG. 14, um diagrama de blocos de um sistema de computador 1400 para implementar alguns ou todos os aspectos de inspeção de um trilho usando aprendizado de máquina é mostrado geralmente de acordo com uma modalidade da invenção. O processamento descrito no presente documento pode ser implementado em hardware, software (por exemplo, firmware) ou uma combinação dos mesmos. Em uma modalidade exemplificativa, os métodos descritos podem ser implementados, pelo menos em parte, em hardware e podem ser parte do microprocessador de um sistema de computador especial ou de propósito geral 1400, como um dispositivo móvel, computador pessoal, estação de trabalho, minicomputador ou computador tipo mainframe.
[0067] Em uma modalidade exemplificativa, como mostrado na FIG. 14, o sistema de computador 1400 inclui um processador 1405, memória 1412 acoplada a um controlador de memória 1415, e um ou mais dispositivos de entrada 1445 e/ou dispositivos de saída 1447, como periféricos, que são comunicativamente acoplados por meio de um controlador de E/S local 1435. Estes dispositivos 1447 e 1445 podem incluir, por exemplo, uma impressora, um escâner, um microfone e similares. Um teclado convencional 1450 e um mouse 1455 podem ser acoplados ao controlador de E/S 1435. O controlador de E/S 1435 pode ser, por exemplo, um ou mais barramentos ou outras conexões com fio ou sem fio, como são conhecidos na técnica. O controlador de E/S 1435 pode ter elementos adicionais, que são omitidos visando a simplicidade, como controladores, armazenadores temporários
(caches), drivers, repetidores e receptores para possibilitar comunicações.
[0068] Os dispositivos de E/S 1447, 1445 podem incluir adicionalmente dispositivos que comunicam tanto entradas quanto saídas, por exemplo, disco, e armazenamento de fita, um cartão de interface de rede (NIC) ou modulador/demodulador (para acessar outros arquivos, dispositivos, sistemas ou uma rede), uma radiofrequência (RF) ou outro transcritor, uma interface telefônica, uma ponte, um roteador e similares.
[0069] O processador 1405 é um dispositivo de hardware para executar instruções de hardware ou software, particularmente aqueles armazenados na memória 1412. O processador 1405 pode ser um processador personalizado ou comercialmente disponível, uma unidade de processamento central (CPU), um processador auxiliar dentre vários processadores associados ao sistema de computador 1400, um microprocessador à base de semicondutor (na forma de um microchip ou conjunto de chips), um microprocessador ou outro dispositivo para executar instruções. O processador 1405 pode incluir um cache como, porém, sem limitações, um cache de instrução para acelerar a busca de instrução executável, um cache de dados para acelerar a busca e armazenamento de dados e um armazenador temporário de tradução à parte (TLB) usado para acelerar a tradução de endereço virtual para físico tanto para instruções executáveis quanto dados. O cache pode ser organizado como uma hierarquia de mais níveis de cache (L1, L2, etc.).
[0070] A memória 1412 pode incluir um ou combinações de elementos de memória volátil (por exemplo, memória de acesso aleatório, RAM, como DRAM, SRAM, SDRAM, etc.) e elementos de memória não volátil (por exemplo, ROM, memória somente de leitura programável apagável (EPROM), memória somente de leitura programável apagável eletronicamente (EEPROM), memória somente de leitura programável (PROM), fita, memória somente de leitura em disco compacto (CD- ROM), disco, disquete, cartucho, cassete ou similares, etc.). Ademais, a memória 1412 pode incorporar meios de armazenamento eletrônicos, magnéticos, ópticos ou outros tipos de meios de armazenamento. Observa-se que a memória 1412 pode ter uma arquitetura distribuída, em que vários componentes são situados remotos entre si, porém, podem ser acessados pelo processador 1405.
[0071] As instruções na memória 1412 podem incluir um ou mais programas separados, cada um dos quais compreende uma lista ordenada de instruções executáveis para implementar funções lógicas. No exemplo da FIG. 14, as instruções na memória 1412 incluem um sistema operacional (OS) adequado
1411. O sistema operacional 1411 pode controlar essencialmente a execução de outros programas de computador e fornece agendamento, controle de entrada-saída, gerenciamento de arquivo e dados, gerenciamento de memória e controle de comunicação e serviços relacionados.
[0072] Os dados adicionais, incluindo, por exemplo, instruções para o processador 1405 ou outras informações recuperáveis, podem ser armazenados no armazenamento 1427, que pode ser um dispositivo de armazenamento como uma unidade de disco rígido ou unidade de estado sólido. As instruções armazenadas na memória 1412 ou no armazenamento 1427 podem incluir aquelas que possibilitam que o processador execute um ou mais aspectos dos sistemas de expedição e métodos desta revelação.
[0073] O sistema de computador 1400 pode incluir adicionalmente um controlador de monitor 1425 acoplado a um monitor 1430. Em uma modalidade exemplificativa, o sistema de computador 1400 pode incluir adicionalmente uma interface de rede 1460 para acoplar a uma rede 1465. A rede 1465 pode ser uma rede com base em IP para comunicação entre o sistema de computador 1400 e um servidor externo, cliente e similares por meio de uma conexão de banda larga. A rede 1465 transmite e recebe dados entre o sistema de computador 1400 e sistemas externos. Em uma modalidade exemplificativa, a rede 1465 pode ser uma rede de IP gerenciada administrada por um provedor de serviço. A rede 1465 pode ser implementada de uma forma sem fio, por exemplo, usando protocolos sem fio e tecnologias, como WiFi, WiMax, etc. A rede 1465 também pode ser uma rede de comutação de pacote como uma rede de área local, rede de área ampla, rede de área metropolitana, a Internet ou outro tipo similar de ambiente de rede. A rede 1465 pode ser uma rede sem fio fixa, uma rede de área local (LAN) sem fio, uma rede de área ampla (WAN) sem fio, uma rede de área pessoal (PAN), uma rede virtual privada (VPN), intranet ou outro sistema de rede adequado e pode incluir equipamento para receber e transmitir sinais.
[0074] Os sistemas e métodos para inspecionar um trilho usando aprendizado de máquina conforme descrito no presente documento podem ser incorporados, integralmente ou em parte, em produtos de programa de computador ou em sistemas de computador 1400, como aquele ilustrado na FIG. 14.
[0075] Os efeitos e benefícios técnicos de algumas modalidades incluem fornecer um sistema para inspecionar um trilho, como aquele usado em ferrovias, usando aprendizado de máquina. Os efeitos e benefícios técnicos adicionais incluem fornecer detecção automatizada de defeitos de trilho a uma velocidade maior e ao nível de precisão de um analista humano.
[0076] Os efeitos e benefícios técnicos de algumas modalidades também incluem a capacidade de usar aprendizado profundo de redes neurais, redes neurais convolucionais e/ou redes neurais recorrentes que podem proporcionar resultados mais precisos quando comparados com abordagens contemporâneas que utilizam redes neurais mais simples.
[0077] Os efeitos e benefícios técnicos de algumas modalidades também incluem a capacidade de usar sinais de transdutor diretamente, o que pode resultar em previsões mais precisas quando comparadas com abordagens contemporâneas que utilizam estatísticas como entradas para o treinamento da rede neural. A capacidade de executar reconhecimento de padrão diretamente em representações bidimensionais ou tridimensionais de resultados de sensor conforme descrito no presente documento não é realizada por técnicas contemporâneas. Em contrapartida, as abordagens contemporâneas simplificam amplamente os diversos milhares de pixels em sinais de transdutor em um grupo de estatísticas que são alimentadas a uma rede neural simples não convolucional unidimensional tipicamente com uma camada oculta.
[0078] Os efeitos e benefícios técnicos de algumas modalidades incluem adicionalmente a capacidade de treinar a rede neural usando dezenas de milhares de pontos de dados exemplificativos (isto é, dados marcados), que podem resultar em previsões mais precisas em comparação com abordagens contemporâneas que geralmente treinam usando algumas centenas de pontos de dados exemplificativos. Os dados podem ser minados a partir de uma vasta biblioteca de registros de gravações de histórico para fornecer dezenas de milhares de exemplos de dados para treinar a rede neural. Essa capacidade para coletar dados exemplificativos a partir de processos de reconhecimento manual existentes, e a comparação contínua dos resultados de rede neural com os exemplos marcados manualmente pode resultar em previsões mais precisas. Os resultados da comparação podem ser classificados em positivo verdadeiro, falso positivo e falso negativo e retroalimentados para a rede neural para aprimorar o treinamento, para auditar a rede neural e para manter a rede neural atual.
[0079] Os efeitos e benefícios técnicos de algumas modalidades incluem a capacidade de execução tão facilmente em um computador autônomo quanto em um computador potente com base em nuvem. Isso torna prática a realização do processo de treinamento altamente intenso computacionalmente na nuvem, e as funções de reconhecedor de uma maneira menos intensa computacionalmente em inúmeras situações (por exemplo, realização de pós-processamento de dados de transdutor em um computador de escritório ou um computador de nuvem, e realização de processamento ao vivo em um veículo de aquisição de dados).
[0080] Ao longo do relatório descritivo e das reivindicações, os seguintes termos assumem os significados explicitamente associados no presente documento, exceto se o contexto indicar claramente o contrário. O termo "conectado" significa uma conexão direta entre os itens conectados, sem quaisquer dispositivos intermediários. O termo "acoplado" significa uma conexão direta entre os itens conectados, ou uma conexão indireta através de um ou mais dispositivos intermediários passivos ou ativos. O termo “circuito” significa um componente único ou uma multiplicidade de componentes, ativos e/ou passivos, que são acoplados em conjunto para fornecer ou realizar uma função desejada. O termo "sinal" significa pelo menos um sinal de corrente, tensão ou de dados. O termo "módulo" significa um circuito (integrado ou de outro modo), um grupo de tais circuitos, um processador (ou processadores), um processador (ou processadores) implementando software ou uma combinação de um circuito (integrado ou de outro modo), um grupo de tais circuitos, um processador (ou processadores) e/ou um processador (ou processadores) implementando software.
[0081] O termo “cerca de” se destina a incluir o grau de erro associado à medição da quantidade particular com base no equipamento disponível no momento do depósito do pedido. Por exemplo, “cerca de” pode incluir uma faixa de ± 8 % ou 5 % ou 2 % de um dado valor.
[0082] A terminologia usada no presente documento é apenas para o propósito de descrever modalidades particulares e não se destina a ser limitante da revelação. Conforme usado no presente documento, as formas singulares “um”, “uma” e “o/a” são destinadas a incluir as formas no plural também, exceto se o contexto claramente indicar o contrário. Será adicionalmente entendido que os termos “compreende” e/ou “compreendendo", quando usados neste relatório específico, especificam a presença de recursos, números inteiros, etapas, operações, elementos e/ou componentes mencionados, porém, não impedem a presença ou adição de um ou mais outros recursos, números inteiros, etapas, operações, elementos, componentes e/ou grupos dos mesmos.
[0083] As estruturas, os materiais, ações e equivalentes correspondentes de todos os recursos ou elementos de etapa mais função nas reivindicações abaixo se destinam a incluir qualquer estrutura, material ou ação para realizar a função em combinação com outros elementos reivindicados conforme especificamente reivindicado. A descrição da presente invenção foi apresentada para os propósitos de ilustração e descrição, mas não se destina a ser exaustiva ou limitada à invenção na forma revelada. Muitas modificações e variações serão evidentes àqueles de habilidade comum na técnica, sem que se afaste do escopo e do espírito da invenção. As modalidades foram escolhidas e descritas em ordem para explicar melhor os princípios da invenção e da aplicação prática, e para capacitar outros de habilidade comum na técnica a entenderem a invenção para várias modalidades com várias modificações, à medida que são adequadas ao uso particular contemplado.
[0084] A presente invenção pode ser um sistema, um método e/ou um produto de programa de computador. O produto de programa de computador pode incluir um meio (ou meios) de armazenamento legível por computador que tem instruções de programa legíveis por computador no mesmo para fazer com que um processador execute aspectos da presente invenção.
[0085] O meio de armazenamento legível por computador pode ser um dispositivo tangível que pode reter e armazenar instruções para uso por um dispositivo de execução de instrução. O meio de armazenamento legível por computador pode ser, por exemplo, porém sem limitação, um dispositivo de armazenamento eletrônico, um dispositivo de armazenamento magnético, um dispositivo de armazenamento óptico, um dispositivo de armazenamento eletromagnético, um dispositivo de armazenamento semicondutor ou qualquer combinação adequada dos supracitados. Uma lista não exaustiva de exemplos mais específicos do meio de armazenamento legível por computador inclui os seguintes: um disquete de computador portátil, um disco rígido, uma memória de acesso aleatório (RAM), uma memória somente de leitura (ROM), uma memória somente de leitura programável apagável (EPROM ou memória Flash), uma memória de acesso aleatório estática (SRAM), uma memória somente de leitura de disco compacto portátil (CD-ROM), um disco versátil digital (DVD), um cartão de memória, um disquete, um dispositivo codificado mecanicamente como cartões perfurados ou estruturas elevadas em um sulco com instruções registradas no mesmo, e qualquer combinação adequada dos supracitados. Um meio de armazenamento legível por computador, como usado no presente documento, não deve ser interpretado como sinais transitórios em si, como ondas de rádio ou outras ondas eletromagnéticas de propagação livre, ondas eletromagnéticas que se propagam através de um guia de onda ou outros meios de transmissão (por exemplo, pulsos de luz que passam através de um cabo de fibra óptica) ou sinais elétricos transmitidos através de um fio.
[0086] As instruções de programa legíveis por computador descritas no presente documento podem ser transferidas por download para os respectivos dispositivos de computação/processamento a partir de um meio de armazenamento legível por computador ou para um dispositivo de armazenamento externo ou computador externo por meio de uma rede, por exemplo, a Internet, uma rede de área local, uma rede de área ampla e/ou uma rede sem fio. A rede pode compreender cabos de transmissão de cobre, fibras ópticas de transmissão, transmissão sem fio, roteadores, firewalls, comutadores, computadores de porta de comunicação e/ou servidores de borda. Uma interface de rede ou cartão de adaptador de rede em cada dispositivo de computação/processamento recebe instruções de programa legíveis por computador a partir da rede e encaminha as instruções de programa legíveis por computador para armazenamento em um meio de armazenamento legível por computador dentro do respectivo dispositivo de computação/processamento.
[0087] As instruções de programa legíveis por computador para executar operações da presente invenção podem ser instruções montadoras, instruções de arquitetura do conjunto de instruções (ISA), instruções de máquina, instruções dependentes de máquina, microcódigo, instruções de firmware, dados de definição de estado ou código de fonte ou código de objeto gravado em qualquer combinação de uma ou mais linguagens de programação, incluindo uma linguagem de programação orientada para o objeto, como Python, Java, Smalltalk, C++ ou similares, e linguagens de programação processuais convencionais, como a linguagem de programação "C" ou linguagens de programação similares. As instruções de programa legíveis por computador podem ser executadas completamente no computador do usuário, parcialmente no computador do usuário, como um pacote de software autônomo, parcialmente no computador do usuário e parcialmente em um computador remoto ou completamente no servidor ou computador remoto. No último cenário, o computador remoto pode ser conectado ao computador do usuário através de qualquer tipo de rede, que inclui uma rede de área local (LAN) ou uma rede de área ampla (WAN) ou a conexão pode ser feita a um computador externo (por exemplo, através da Internet usando um Provedor de Serviço de Internet). Em algumas modalidades, os conjunto de circuitos eletrônicos que incluem, por exemplo, conjunto de circuitos de lógica programável, arranjo de porta programável em campo (FPGA) ou arranjos de lógica programável (PLA) podem executar as instruções de programa legíveis por computador pela utilização de informações de estado das instruções de programa legíveis por computador para personalizar o conjunto de circuitos eletrônicos, a fim de realizar os aspectos da presente invenção.
[0088] Os aspectos da presente invenção são descritos no presente documento com referência a ilustrações de fluxograma e/ou diagramas de blocos de métodos, aparelho (sistemas) e produtos de programa de computador de acordo com modalidades da invenção. Será entendido que cada bloco das ilustrações de fluxograma e/ou diagramas de blocos e combinações de blocos nas ilustrações de fluxograma e/ou diagramas de blocos podem ser implementadas por instruções de programa legíveis por computador.
[0089] Essas instruções de programa legíveis por computador podem ser fornecidas para um processador de um computador de propósito geral, computador de propósito especial ou outro aparelho de processamento de dados programável para produzir uma máquina, de modo que as instruções, que são executadas por meio do processador do computador ou outro aparelho de processamento de dados programável, criem meios para implementar as funções/ações especificadas no fluxograma e/ou nos blocos ou bloco de diagrama de blocos. Essas instruções de programa legíveis por computador também podem ser armazenadas em um meio de armazenamento legível por computador que pode direcionar um computador, um aparelho de processamento de dados programável e/ou outros dispositivos para funcionar de uma maneira particular, de modo que o meio de armazenamento legível por computador que tem instruções armazenadas no mesmo compreenda um artigo de fabricação que inclui instruções que implementam aspectos da função/ação especificada no fluxograma e/ou blocos ou bloco de diagrama de blocos.
[0090] As instruções de programa legíveis por computador também podem ser carregadas em um computador, outro aparelho de processamento de dados programável ou outro dispositivo para fazer com que uma série de etapas operacionais sejam realizadas no computador, outro aparelho programável ou outro dispositivo para produzir um processo implementado por computador, de modo que as instruções que são executadas no computador, outro aparelho programável ou outro dispositivo implementem as funções/ações especificadas no fluxograma e/ou blocos ou bloco de diagrama de blocos.
[0091] O fluxograma e diagramas de blocos nas FIGs. ilustram a arquitetura, funcionalidade e operação de implementações possíveis de sistemas, métodos e produtos de programa de computador de acordo com várias modalidades da presente invenção. Nesse sentido, cada bloco no fluxograma ou diagramas de blocos pode representar um módulo, segmento ou porção de instruções, que compreende uma ou mais instruções executáveis para implementar a função (ou funções) de lógica especificada. Em algumas implementações alternativas, as funções notadas no bloco podem ocorrer fora da ordem notada nas figuras. Por exemplo, dois blocos mostrados em sucessão podem, na realidade, ser executados de modo substancialmente simultâneo, ou os blocos podem, por vezes, ser executados na ordem inversa, dependendo da funcionalidade envolvida. Também será observado que cada bloco da ilustração de diagramas de blocos e/ou fluxograma e combinações de blocos na ilustração de diagramas de blocos e/ou fluxograma pode ser implementado por sistemas com base em hardware de propósito especial que realizam as funções ou ações especificadas ou executam combinações de instruções de computador e hardware de propósito especial. Embora a revelação seja fornecida em detalhes em conexão apenas com um número limitado de modalidades, deve ser prontamente entendido que a revelação não é limitada a tais modalidades reveladas. Em vez disso, a revelação pode ser modificada para incorporar inúmeras variações, alterações, substituições ou disposições equivalentes não descritas até o presente momento, porém, que são comensuráveis com o espírito e escopo da revelação.
Adicionalmente, embora várias modalidades da revelação tenham sido descritas, deve ser entendido que a modalidade (ou modalidades) exemplificativa pode incluir apenas alguns dos aspectos exemplificativos descritos.
Consequentemente, a revelação não deve ser vista como limitada pela descrição supracitada, mas, é apenas pelo escopo das reivindicações anexas.

Claims (20)

REIVINDICAÇÕES
1. Veículo para inspecionar um trilho, sendo o veículo caracterizado por compreender: sensores de inspeção de trilho configurados para capturar os dados de transdutor descrevendo o trilho; um processador configurado para: receber os dados de transdutor; e processar os dados de transdutor capturados para determinar, em tempo quase real, se os dados de transdutor capturados identificam um defeito de trilho suspeito, em que o processamento compreende: inserir os dados de transdutor capturados em um sistema de aprendizado de máquina que foi treinado para identificar padrões em dados de transdutor que indicam defeitos de trilho; e receber uma saída a partir do sistema de aprendizado de máquina, em que a saída indica se os dados de transdutor capturados identificam um defeito de trilho suspeito; e transmitir um alerta a um operador do veículo com base, pelo menos em parte, na saída indicando que os dados de transdutor capturados identificam um defeito de trilho suspeito, em que o alerta inclui uma localização do defeito de trilho suspeito e instrui o operador a parar o veículo e realizar uma ação de reparo.
2. Veículo, de acordo com a reivindicação 1, caracterizado por compreender uma câmera para capturar uma imagem de câmera da localização, em que o alerta inclui a imagem de câmera.
3. Veículo, de acordo com a reivindicação 1, caracterizado pelo fato de que a saída é transmitida, por meio de uma rede, a um dispositivo de armazenamento remoto ou um processador remoto.
4. Veículo, de acordo com a reivindicação 1, caracterizado pelo fato de que o sistema de aprendizado de máquina inclui uma ou ambas dentre uma rede neural convolucional de aprendizado profundo e uma rede neural recorrente.
5. Veículo, de acordo com a reivindicação 1, caracterizado pelo fato de que os transdutores incluem um ou mais dentre um transdutor ultrassônico, um transdutor de indução e um transdutor de corrente parasita.
6. Método para inspecionar um trilho, sendo o método caracterizado por compreender: receber dados de transdutor de sensores de inspeção de trilho montados em um veículo que está localizado no trilho; processar os dados de transdutor para identificar localizações de defeitos de trilho suspeitos no trilho, em que o processamento compreende: inserir os dados de transdutor de uma forma adequada para um sistema de aprendizado de máquina, que foi treinado para identificar padrões nos dados de transdutor que indicam defeitos de trilho; e receber uma saída a partir do sistema de aprendizado de máquina, em que a saída inclui uma lista de defeitos de trilho suspeitos e suas localizações correspondentes no trilho; e iniciar uma ação de reparo com base na lista de defeitos de trilho suspeitos.
7. Método, de acordo com a reivindicação 6, caracterizado pelo fato de que os dados de transdutor incluem imagens.
8. Método, de acordo com a reivindicação 7, caracterizado pelo fato de que a inserção dos dados de transdutor inclui transmitir continuamente imagens sobrepostas.
9. Método, de acordo com a reivindicação 6, caracterizado pelo fato de que o sistema de aprendizado de máquina inclui uma rede neural de convolução de aprendizado profundo.
10. Método, de acordo com a reivindicação 6, caracterizado pelo fato de que o sistema de aprendizado de máquina inclui uma rede neural recorrente.
11. Método, de acordo com a reivindicação 6, caracterizado pelo fato de que o sistema de aprendizado de máquina inclui uma rede neural convolucional de aprendizado profundo e uma rede neural recorrente.
12. Método, de acordo com a reivindicação 6, caracterizado por compreender adicionalmente: auditar a rede neural, em que a auditoria compara a saída a partir do sistema de aprendizado de máquina com a saída a partir do analista humano; e ajustar a rede neural com base em resultados da auditoria.
13. Método, de acordo com a reivindicação 6, caracterizado pelo fato de que os transdutores incluem transdutores ultrassônicos.
14. Método, de acordo com a reivindicação 6,
caracterizado pelo fato de que os transdutores incluem transdutores de indução.
15. Método, de acordo com a reivindicação 6, caracterizado pelo fato de que os transdutores incluem transdutores de corrente parasita.
16. Método, de acordo com a reivindicação 6, caracterizado pelo fato de que o recebimento é a partir de um solicitante por meio de uma rede e o método compreende adicionalmente enviar a lista de defeitos de trilho suspeitos para o solicitante.
17. Método, de acordo com a reivindicação 6, caracterizado pelo fato de que o processamento e iniciação são realizados por um processador localizado no veículo.
18. Método, de acordo com a reivindicação 6, caracterizado por compreender realizar a ação de reparo, em que a ação de reparo compreende realizar uma verificação de um dos defeitos de trilho suspeitos usando um sensor portátil.
19. Sistema para inspecionar um trilho, sendo o sistema caracterizado por compreender: uma memória que tem instruções legíveis por computador; e um ou mais processadores para executar as instruções legíveis por computador, em que as instruções legíveis por computador controlam o um ou mais processadores para realizarem operações que compreendem: receber dados de transdutor de sensores de inspeção de trilho montados em um veículo que está localizado no trilho; processar os dados de transdutor para identificar localizações de defeitos de trilho suspeitos no trilho,
em que o processamento compreende: inserir os dados de transdutor de uma forma adequada para um sistema de aprendizado de máquina, que foi treinado para identificar padrões nos dados de transdutor que indicam defeitos de trilho; e receber uma saída a partir do sistema de aprendizado de máquina, em que a saída inclui uma lista de defeitos de trilho suspeitos e suas localizações correspondentes no trilho; e iniciar uma ação de reparo com base na lista de defeitos de trilho suspeitos.
20. Produto de programa de computador para inspecionar um trilho, sendo o produto de programa de computador caracterizado por compreender um meio de armazenamento legível por computador que tem instruções de programa incorporadas no mesmo, em que as instruções de programa são executáveis por um processador para fazer com que o processador realize operações que compreendem: receber dados de transdutor de sensores de inspeção de trilho montados em um veículo que está localizado no trilho; processar os dados de transdutor para identificar localizações de defeitos de trilho suspeitos no trilho, em que o processamento compreende: inserir os dados de transdutor de uma forma adequada para um sistema de aprendizado de máquina, que foi treinado para identificar padrões nos dados de transdutor que indicam defeitos de trilho; e receber uma saída a partir do sistema de aprendizado de máquina, em que a saída inclui uma lista de defeitos de trilho suspeitos e suas localizações correspondentes no trilho; e iniciar uma ação de reparo com base na lista de defeitos de trilho suspeitos.
BR112020010826-0A 2017-11-30 2018-11-28 sistema e método para inspecionar um trilho usando aprendizado de máquina BR112020010826A2 (pt)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/826,780 US11078631B2 (en) 2017-11-30 2017-11-30 System and method for inspecting a rail using machine learning
US15/826,780 2017-11-30
PCT/US2018/062737 WO2019108585A1 (en) 2017-11-30 2018-11-28 System and method for inspecting a rail using machine learning

Publications (1)

Publication Number Publication Date
BR112020010826A2 true BR112020010826A2 (pt) 2020-11-10

Family

ID=66634929

Family Applications (1)

Application Number Title Priority Date Filing Date
BR112020010826-0A BR112020010826A2 (pt) 2017-11-30 2018-11-28 sistema e método para inspecionar um trilho usando aprendizado de máquina

Country Status (12)

Country Link
US (2) US11078631B2 (pt)
EP (2) EP3717329B1 (pt)
CN (2) CN111655562B (pt)
AU (1) AU2018375316B2 (pt)
BR (1) BR112020010826A2 (pt)
CA (1) CA3083751A1 (pt)
ES (1) ES2958708T3 (pt)
LT (1) LT3717329T (pt)
PT (1) PT3717329T (pt)
SG (1) SG11202004771QA (pt)
WO (1) WO2019108585A1 (pt)
ZA (2) ZA202003212B (pt)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT519316B1 (de) * 2016-11-04 2019-05-15 Plasser & Theurer Export Von Bahnbaumaschinen Gmbh Gleisbaumaschine mit Gleislagemesssystem
WO2018106677A1 (en) * 2016-12-05 2018-06-14 The Regent Of The University Of California Ultrasonic inspection of railroad tracks
EP3740410B1 (fr) * 2018-02-06 2022-08-10 Matisa Matériel Industriel S.A. Procédés de repérage de points ou lignes d'intérêt sur une voie ferrée, de positionnement et de conduite d'une machine d'intervention sur une voie ferrée
US11853812B2 (en) * 2018-12-20 2023-12-26 Here Global B.V. Single component data processing system and method utilizing a trained neural network
DE102019208865A1 (de) * 2019-06-18 2020-12-24 Siemens Mobility GmbH Odometrisches Verfahren, insbesondere für ein Schienenfahrzeug oder eine Leitzentrale
US11787453B2 (en) * 2019-09-05 2023-10-17 Progress Rail Services Corporation Maintenance of distributed train control systems using machine learning
CN111060591B (zh) * 2019-12-06 2020-09-22 北京瑞莱智慧科技有限公司 基于空洞卷积网络的金属零件疲劳监测方法及***
JP7414531B2 (ja) * 2020-01-06 2024-01-16 株式会社東芝 学習装置、学習方法及びプログラム
CN111257422B (zh) * 2020-02-28 2023-09-08 北京新联铁集团股份有限公司 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法
DE212020000817U1 (de) * 2020-03-26 2022-12-19 Süleyman Demirel Üniversitesi Unfallverhütungssystem für Schienensysteme
US11377945B2 (en) 2020-04-29 2022-07-05 Saudi Arabian Oil Company Method for automated crack detection and analysis using ultrasound images
CN111932489B (zh) * 2020-06-03 2024-02-20 西安电子科技大学 焊缝缺陷检测方法、***、存储介质、计算机设备、终端
KR20230011348A (ko) * 2020-06-15 2023-01-20 제이에프이 스틸 가부시키가이샤 기계적 특성의 계측 장치, 기계적 특성의 계측 방법, 물질의 제조 설비, 물질의 관리 방법 및 물질의 제조 방법
CN111855825B (zh) * 2020-06-28 2023-02-07 济南大学 基于bp神经网络的轨头核伤识别方法及***
US20220018811A1 (en) * 2020-07-14 2022-01-20 Saudi Arabian Oil Company Machine learning method for the denoising of ultrasound scans of composite slabs and pipes
TWI758850B (zh) * 2020-09-07 2022-03-21 佳世達科技股份有限公司 超音波物件的體積計算方法及其相關超音波系統
EP3968213A1 (de) * 2020-09-14 2022-03-16 Siemens Mobility GmbH Verfahren und vorrichtung zum ermitteln eines gleisgebundenen schienenpfades in einer gleisanlage
US11858543B2 (en) * 2020-12-21 2024-01-02 Progress Rail Services Corporation System and method for controlling operations of a train using energy management machine learning models
WO2022156873A1 (en) * 2021-01-22 2022-07-28 MTU Aero Engines AG A computer-implemented method for training an artificial neural network, method for inspecting a component, test system for examining components, and computer program
US11763428B2 (en) 2021-06-22 2023-09-19 Saudi Arabian Oil Company System and method for de-noising an ultrasonic scan image using a convolutional neural network
FR3126683A1 (fr) * 2021-09-07 2023-03-10 Eramet Dispositif d’analyse ferroviaire
CN113863071B (zh) * 2021-09-24 2023-04-18 广东真正工程检测有限公司 一种适用于工程测量可检测铁路多项参数的检测车
CN114417921B (zh) * 2022-01-05 2024-04-30 中国国家铁路集团有限公司 轨道几何异常数据的识别方法、装置、设备和存储介质
CN115239632B (zh) * 2022-06-23 2024-04-09 西南交通大学 一种融合巡检图像和超声波图像的钢轨表面伤损检测方法

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4487071A (en) * 1982-09-22 1984-12-11 Dapco Industries, Inc. Flaw detection system for railroad rails and the like
AU1994892A (en) * 1991-05-07 1992-12-21 Dapco Industries Real-time ultrasonic testing system
US6523411B1 (en) * 2000-03-21 2003-02-25 International Electronic Machines Corp. Wheel inspection system
WO2002030729A1 (en) * 2000-10-10 2002-04-18 Sperry Rail, Inc. Hi-rail vehicle-based rail inspection system
US6782377B2 (en) * 2001-03-30 2004-08-24 International Business Machines Corporation Method for building classifier models for event classes via phased rule induction
US20020183995A1 (en) 2001-06-05 2002-12-05 Alastair Veitch System and method for simulating railroad rail testing
US6768298B2 (en) 2001-07-17 2004-07-27 Transportation Technology Center, Inc. Transverse crack detection in rail head using low frequency eddy currents
US20170313332A1 (en) * 2002-06-04 2017-11-02 General Electric Company Autonomous vehicle system and method
ITRM20050381A1 (it) 2005-07-18 2007-01-19 Consiglio Nazionale Ricerche Metodo e sistema automatico di ispezione visuale di una infrastruttura.
JP2009222508A (ja) * 2008-03-14 2009-10-01 Hitachi Kokusai Electric Inc データ検査システム
EP2401176B1 (en) 2009-02-27 2019-05-08 Magna Electronics Alert system for vehicle
US8736419B2 (en) 2010-12-02 2014-05-27 Zonar Systems Method and apparatus for implementing a vehicle inspection waiver program
US8424387B2 (en) * 2011-08-22 2013-04-23 Herzog Services, Inc. Apparatus for detecting defects
WO2013070455A1 (en) * 2011-11-10 2013-05-16 The Regents Of The University Of California Stress detection in rail
CN103411974B (zh) * 2013-07-10 2017-02-08 杭州赤霄科技有限公司 基于云端大数据的平面材料检测远程***及检测方法
CN103448751B (zh) * 2013-09-22 2016-04-13 西南交通大学 一种非接触式车轮位置感应装置
WO2015120550A1 (en) 2014-02-11 2015-08-20 Pure Technologies Ltd. Method and system for non-destructive rail inspection
US10212176B2 (en) * 2014-06-23 2019-02-19 Hewlett Packard Enterprise Development Lp Entity group behavior profiling
US9881428B2 (en) 2014-07-30 2018-01-30 Verizon Patent And Licensing Inc. Analysis of vehicle data to predict component failure
GB2542115B (en) * 2015-09-03 2017-11-15 Rail Vision Europe Ltd Rail track asset survey system
DK3433154T3 (da) 2016-03-21 2020-09-14 Railpod Inc Kombineret passiv og aktiv fremgangsmåde samt systemer til detektering og måling af interne fejl i metalskinner
US10007867B2 (en) 2016-04-04 2018-06-26 Google Llc Systems and methods for identifying entities directly from imagery
CN106441411A (zh) * 2016-08-31 2017-02-22 成都铁安科技有限责任公司 一种轨道机车及车辆走行部检测方法及检测***
KR20180070062A (ko) * 2016-12-16 2018-06-26 삼성전자주식회사 이동체 및 이동체의 제어 방법
US10803571B2 (en) * 2017-02-14 2020-10-13 Cogniac, Corp. Data-analysis pipeline with visual performance feedback
US20180260720A1 (en) * 2017-03-13 2018-09-13 General Electric Company Fatigue Crack Growth Prediction
US10692000B2 (en) * 2017-03-20 2020-06-23 Sap Se Training machine learning models
CN107290428B (zh) 2017-06-23 2020-02-07 上海新跃联汇电子科技有限公司 基于深度学习的超声波铁轨探伤小车***及其控制方法
US10811151B2 (en) * 2017-07-05 2020-10-20 Electric Power Research Institute, Inc. Apparatus and method for identifying cracks in a structure using a multi-stage classifier

Also Published As

Publication number Publication date
CN111655562A (zh) 2020-09-11
EP3717329A4 (en) 2021-10-06
EP3717329B1 (en) 2023-07-05
AU2018375316A1 (en) 2020-06-11
ES2958708T3 (es) 2024-02-13
EP4234358A3 (en) 2023-10-18
EP4234358A2 (en) 2023-08-30
WO2019108585A1 (en) 2019-06-06
AU2018375316B2 (en) 2022-04-21
US20210348342A1 (en) 2021-11-11
LT3717329T (lt) 2023-10-25
SG11202004771QA (en) 2020-06-29
US20190161919A1 (en) 2019-05-30
PT3717329T (pt) 2023-09-29
CN111655562B (zh) 2023-07-28
EP3717329A1 (en) 2020-10-07
CN116872982A (zh) 2023-10-13
ZA202106137B (en) 2022-07-27
US11078631B2 (en) 2021-08-03
ZA202003212B (en) 2021-10-27
CA3083751A1 (en) 2019-06-06

Similar Documents

Publication Publication Date Title
BR112020010826A2 (pt) sistema e método para inspecionar um trilho usando aprendizado de máquina
Tejedor et al. Toward prevention of pipeline integrity threats using a smart fiber-optic surveillance system
Khan et al. Integration of structural health monitoring and intelligent transportation systems for bridge condition assessment: Current status and future direction
US9047668B2 (en) Location determination for an object using visual data
ES2929302T3 (es) Diagnóstico de máquina usando dispositivos móviles y ordenadores en la nube
BR112013008075B1 (pt) Método e aparelho para inspecionar um objeto
RU2017133811A (ru) Система контроля кабельной проводки
CN103294952B (zh) 一种基于页面关系检测webshell的方法及***
JPWO2021079792A5 (pt)
CN116795572A (zh) 汽车诊断软件故障快速处理方法、装置、介质及设备
Naddaf-Sh et al. Real‐Time Explainable Multiclass Object Detection for Quality Assessment in 2‐Dimensional Radiography Images
Zare Hosseinzadeh et al. In-motion railroad tie deflection measurement via ultrasonic airborne sonar and computer vision techniques
Philipp et al. Functional decomposition of automated driving systems for the classification and evaluation of perceptual threats
CN113869427A (zh) 一种场景分析方法、装置、电子设备及存储介质
CN112465793A (zh) 列车故障检测方法、装置、设备及存储介质
Espinosa et al. Advanced monitoring of rail breakage in double-track railway lines by means of PCA techniques
Ren et al. Rail gage-based risk detection Using iPhone 12 pro
McKibben et al. To model or not to model: false positive detection error in camera surveys
Memon et al. Development of specialized IoT cloud platform for railway track condition monitoring
JP2008125418A (ja) 動物生活環境管理システム
He et al. A practical demonstration of autonomous ultrasonic testing for rail flaws inspection
Pradeep et al. Automatic railway detection and tracking inspecting system
KR102152023B1 (ko) X-Ray 검색장비 영상 자동판독 보조프로그램을 구동하는 시스템 및 이를 이용한 방법
Kondaka et al. Artfds–advanced railway track fault detection system using machine learning
de Souza Doreste CATS#: A TESTING TECHNIQUE TO SUPPORT THE SPECIFICATION OF TEST CASES FOR CONTEXT-AWARE SOFTWARE SYSTEMS

Legal Events

Date Code Title Description
B350 Update of information on the portal [chapter 15.35 patent gazette]