ES2958708T3

ES2958708T3 - Vehículo, sistema y método para inspeccionar un carril mediante aprendizaje automático

Info

Publication number: ES2958708T3
Application number: ES18882632T
Authority: ES
Inventors: David Henry Gilbert
Original assignee: Sperry Rail Holdings Inc
Current assignee: Sperry Rail Holdings Inc
Priority date: 2017-11-30
Filing date: 2018-11-28
Publication date: 2024-02-13
Anticipated expiration: 2038-11-28
Also published as: CN111655562A; EP3717329A4; EP3717329B1; AU2018375316A1; EP4234358A3; EP4234358A2; WO2019108585A1; BR112020010826A2; AU2018375316B2; US20210348342A1; LT3717329T; SG11202004771QA; US20190161919A1; PT3717329T; CN111655562B; EP3717329A1; CN116872982A; ZA202106137B; US11078631B2; ZA202003212B

Abstract

Un aspecto incluye un vehículo que incluye sensores de inspección de rieles configurados para capturar datos del transductor que describen el riel, y un procesador configurado para recibir y procesar los datos del transductor casi en tiempo real para determinar si los datos del transductor capturados identifican una falla ferroviaria sospechosa. El procesamiento incluye ingresar los datos del transductor capturados en un sistema de aprendizaje automático que ha sido entrenado para identificar patrones en los datos del transductor que indican fallas en los rieles. El procesamiento también incluye recibir una salida del sistema de aprendizaje automático, la salida indica si los datos capturados del transductor identifican una sospecha de falla ferroviaria. Se transmite una alerta a un operador del vehículo basándose, al menos en parte, en la salida que indica que los datos capturados del transductor identifican una falla ferroviaria sospechada. La alerta incluye una ubicación de la falla ferroviaria sospechada e indica al operador que detenga el vehículo y realice una acción de reparación. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Vehículo, sistema y método para inspeccionar un carril mediante aprendizaje automático

Antecedentes de la divulgación

El objeto de la presente divulgación se refiere a un sistema y un método para inspeccionar un carril y, en particular, a un sistema y un método para inspeccionar un carril utilizando el aprendizaje automático.

La inspección de ferrocarriles normalmente implica el uso de escáneres ultrasónicos, sensores de inducción, sensores de corrientes parásitas, sensores de cámara o una combinación de los mismos. La inspección ferroviaria se utiliza para detectar características en un carril que podrían ser indicativas de un defecto en el mismo. Las técnicas ultrasónicas suelen utilizar transductores ultrasónicos montados en ruedas flexibles de un vehículo ferroviario que se desplaza sobre la superficie superior del carril. Las ruedas se llenan con un líquido de acoplamiento para que los transductores montados en su interior puedan enviar señales ultrasónicas al carril. Las señales de retorno se procesan y se utilizan para cartografiar los defectos del carril. Una vez registrados los datos de detección, se analizan para identificar patrones en las señales que correspondan a defectos del carril. Estos patrones se etiquetan para diferenciarlos de las señales que no se relacionan con defectos del carril, como agujeros de pernos, extremos del carril, soldaduras y ruido en la señal. Este sistema de inspección ferroviaria es conocido por el documento US 6600999 B2.

Uno de los problemas del actual proceso de etiquetado es que requiere mucha mano de obra y muchas horas de análisis humano para identificar los patrones que corresponden a los defectos de los carriles. El análisis humano es caro y podría dar lugar a errores si se pasan por alto defectos debido a la fatiga del analista o a la falta de experiencia con una variación de un tipo de defecto. Para resolver estos problemas, la evaluación humana se combina a menudo con un software de reconocimiento basado en reglas desarrollado para resaltar los patrones de los transductores que pueden indicar un defecto en el carril. Estos sistemas basados en reglas suelen estar ajustados para aceptar un gran número de falsos positivos en lugar de arriesgarse a pasar por alto un defecto del carril. Para eliminar los falsos positivos, los resultados del sistema basado en reglas deben ser evaluados por un analista humano, lo que supone una reducción de tiempo moderada.

En consecuencia, si bien los sistemas de inspección de carriles existentes son adecuados para los fines previstos, sigue existiendo la necesidad de mejorarlos, en particular para proporcionar un sistema y un método de inspección de un carril utilizando el aprendizaje automático.

Breve descripción de la divulgación

Según un aspecto de la divulgación, se proporciona un vehículo con las características técnicas de acuerdo con la reivindicación 1 anexa.

De acuerdo con otros aspectos de la divulgación, se proporcionan métodos, sistemas y productos de programas informáticos para inspeccionar un carril. Un método de ejemplo no limitante se define en la reivindicación 5 adjunta. Estas y otras ventajas y características se harán más evidentes a partir de la siguiente descripción tomada en conjunto con los dibujos.

Breve descripción de los dibujos

El objeto, que se considera la divulgación, se señala en particular y se reivindica claramente en las reivindicaciones al final de la especificación. Lo anterior y otras características y ventajas de la divulgación son evidentes a partir de la siguiente descripción detallada tomada en conjunto con los dibujos adjuntos en los que:

FIG. 1A, 1B, 1C, y 1D representa un sistema de inspección de carril según una forma de realización de la invención presente;

FIG. 2A es un dibujo de línea de una imagen que es salida de un reconocedor basado en reglas de defectos potenciales de carril;

FIG. 2B es un dibujo lineal de una vista más detallada de una porción de la imagen mostrada en la FIG. 2A;

FIG. 3 es un diagrama de bloques de componentes de un sistema para entrenar un motor de inferencia de red neural para reconocer defectos de carril de acuerdo a una forma de realización de la invención;

FIG. 4 es un diagrama de bloques de componentes de un sistema para usar un motor de inferencia de red neural para reconocer fallas de carril de acuerdo a una forma de realización de la invención;

FIG. 5 es un diagrama de bloques de componentes de un sistema para usar una red neural para reconocer defectos de carriles usando datos en vivo de acuerdo a una forma de realización de la invención;

FIG. 6 es un diagrama de bloques de componentes de un sistema para auditar la precisión de un motor de inferencia de red neuronal según una forma de realización de la invención;

FIG. 7A es un diagrama de bloques de un sistema para usar una red neural para reconocer defectos en carriles de acuerdo a una forma de realización de la invención;

FIG. 7B es un diagrama de bloques de un sistema para el uso de una red neuronal en un entorno de nube para reconocer defectos ferroviarios según una forma de realización de la invención;

FIG. 8 es un ejemplo de una tabla de lista de defectos sospechosos según una forma de realización de la invención; FIG. 9 es un ejemplo de una ecografía de un agujero de perno sin defectos según una forma de realización de la invención;

FIG. 10 es un ejemplo de una ecografía de un agujero de perno con un defecto según una forma de realización de la invención;

FIG. 11, FIG. 12, y FIG. 13 son ejemplos de salidas del motor de inferencia de red neural de acuerdo con una forma de realización de la invención; y

FIG. 14 es un diagrama de bloques de un sistema informático para implementar algunos o todos los aspectos de la inspección de un carril utilizando el aprendizaje automático según una forma de realización de la invención. La descripción detallada explica formas de realización de la divulgación, junto con ventajas y características, a modo de ejemplo con referencia a los dibujos.

Descripción detallada de la divulgación

Las formas de realización de la presente invención se dirigen a un sistema y método para inspeccionar carriles, tales como los utilizados con las vías del ferrocarril, utilizando el aprendizaje automático. Las formas de realización de la presente invención proporcionan ventajas en la detección automatizada de defectos en los carriles al nivel de precisión de un analista humano. La detección automatizada de los defectos del carril se realiza a mayor velocidad que los analistas humanos y sin el potencial de sufrir de fatiga. Las formas de realización de la presente invención utilizan una rama del aprendizaje automático conocida como redes neuronales de aprendizaje profundo para construir un reconocedor entrenándolo con muchos miles de ejemplos de defectos correctamente identificados por analistas humanos. Las herramientas de aprendizaje profundo que utilizan las formas de realización incluyen, pero sin limitación, redes neuronales de convolución (CNN) para realizar el reconocimiento de imágenes de segmentos de datos, y redes neuronales recurrentes (RNN) que incluyen módulos de "memoria a largo plazo" (LSTM) que pueden mejorar el reconocimiento proporcionando contexto a los segmentos de datos.

Mediante el aprendizaje automático, decenas de miles de horas de formación y experiencia de analistas humanos se incorporan a programas informáticos que se ejecutan a gran velocidad y en paralelo para procesar grandes cantidades de registros. En una forma de realización, el sistema de aprendizaje automático produce identificaciones de defectos en los carriles en el mismo formato que el archivo de resultados de un operador humano. Por lo tanto, es fácil someterlo a una auditoría de precisión del mismo modo que los operadores humanos para determinar que el sistema de aprendizaje automático funciona al mismo nivel. El sistema de aprendizaje automático puede recibir formación adicional en cualquier momento mostrándole más ejemplos de defectos ferroviarios. Esto ocurriría, por ejemplo, si hubiera nuevos tipos de defectos o nuevas disposiciones de transductores que aprender.

Las formas de realización de la presente invención pueden ejecutarse en una plataforma de computación en nube en la que el sistema de aprendizaje automático recibe datos de registro y devuelve archivos de identificación a alta velocidad. Las formas de realización de la presente invención también incluyen sistemas integrados que funcionan en tiempo real en vehículos para ayudar a un operador en situaciones en las que se desea que el operador se detenga inmediatamente y verifique las detecciones de defectos con pruebas adicionales. Otras formas de realización de la presente invención incluyen otras tecnologías de aprendizaje automático distintas de las redes neuronales, tales como, pero no limitadas a: agrupación; aprendizaje de representación; y redes bayesianas. Otras formas de realización adicionales de la presente invención incluyen diferentes combinaciones de sensores para proporcionar los datos de entrada a partir de los cuales se reconocen los patrones de defectos del carril.

Ejemplos de defectos del carril incluyen, pero no se limitan a: grietas en los agujeros de los pernos, separación de la cabeza y el alma, defectos transversales, y cabezas verticales partidas. Las formas de realización ejemplares de la presente invención distinguen los patrones de señales que indican defectos en los carriles de las señales que no están relacionadas con defectos en los carriles, como agujeros de pernos, extremos de carriles, soldaduras y ruido en la señal. Los defectos de los carriles no suelen ser detectables por el ojo humano; por ejemplo, las grietas en los agujeros de los tornillos suelen estar ocultas tras una placa que los mantiene unidos. Además, los defectos de los carriles pueden incluir grietas en la parte inferior o interna del carril.

Refiriéndonos ahora a las FIG. 1A, 1B, 1C, y 1D, se muestra un sistema de inspección de carriles 20 que incluye un carro o vehículo de instrumentos 22 y un carro o vehículo de potencia 24 que están configurados para operar sobre carriles, tales como carriles de ferrocarril. El vehículo de potencia 24 incluye una fuente de energía, tal como un motor o un motor (no mostrado) que está configurado para mover los vehículos 22, 24 a lo largo de los carriles. El vehículo de potencia 24 puede ser operado por un operador humano, operado remotamente u operado autónomamente. El vehículo de instrumentos 22 incluye un carro 26 con ruedas 28. Las ruedas 28 están adaptadas para funcionar sobre los carriles del ferrocarril 30.

En una forma de realización, el vehículo instrumento 22 tiene dos carros 26. En una forma de realización, uno de los carros 26 incluye un sistema detector de inducción magnética 32 que incluye al menos un par de cepillos 34 que está en contacto con el carril 30. Debe apreciarse que en la forma de realización ejemplar, hay dos pares de cepillos 34 en el sistema 20 con un par que está asociado con un carril del par de carriles 30. Las escobillas 34 establecen un campo magnético alrededor del carril 30 en la zona comprendida entre las escobillas 34. Un sensor de inducción 36 está situado justo encima del carril 30 y se utiliza para detectar perturbaciones en el campo magnético. Las señales del sensor de inducción se envían a un sistema de procesamiento de datos en el que se analizan las señales y las perturbaciones asociadas y se comparan con perfiles de defectos conocidos.

El sistema 20 incluye además un sistema de sensores ultrasónicos 38 que incluye una o más unidades de búsqueda de rodillos (RSU) 40. Cada RSU 40 incluye una rueda llena de fluido 42 formada de un material flexible que se deforma para establecer una superficie de contacto cuando la rueda 40 está en contacto con el carril 30 y se presiona contra él. La rueda rellena de fluido 40 está montada sobre un eje 44 fijado al bastidor 46 de la RSU, de modo que la rueda rellena de fluido 42 entra en contacto con el carril 30 cuando el carro 26 es arrastrado a lo largo del carril 30. La RSU 40 incluye al menos un transductor ultrasónico 48 montado en el interior de la rueda llena de fluido 42. El transductor ultrasónico 48 está configurado y posicionado para transmitir haces ultrasónicos 50 a través del fluido en la rueda 34 y a través de la superficie de contacto hacia el carril 30 y para recibir un haz reflejado o de retorno desde el carril 30. Los transductores 48 generan señales de retorno que se transmiten a un sistema de procesamiento de datos. Basándose en una señal generada en respuesta al haz ultrasónico de retorno, pueden identificarse defectos o condiciones no deseadas en el carril 30.

Debe ser apreciado que los vehículos 22, 24 pueden ser combinados en un solo vehículo 52, tal como el mostrado en la FIG. 1D. En alguna forma de realización, el vehículo 52 puede incluir un segundo juego de ruedas 54 que permite al vehículo 52 conducir en carreteras y sobre los carriles 30.

Las formas de realización de la presente invención que se describen en el presente documento utilizan datos de trazado de ultrasonido como los datos de detección que se introducen y analizan para detectar defectos en los carriles. Las formas de realización no se limitan a los datos generados por los escáneres ultrasónicos, y pueden incluir datos generados por cualquier otro sensor utilizado para detectar defectos en los carriles, tales como, pero no limitados a sensores de inducción y sensores de corrientes parásitas. Además, las formas de realización tampoco se limitan a los datos de detección procedentes de un único tipo de sensor.

Una de las razones por las que es difícil para los reconocedores basados en reglas identificar un defecto en el carril es que por cada ejemplo de defecto en el carril que se ajuste a las reglas habrá ejemplos de defectos en el carril que pueden pasar desapercibidos porque no se ajustan a las reglas (falsos negativos). También habrá ejemplos de señales de sensores que cumplan los criterios de las reglas pero que no sean defectos reales (falsos positivos). Por este motivo, los sistemas basados en reglas suelen ajustarse para aceptar un gran número de posibles falsos positivos antes que arriesgarse a pasar por alto un fallo (falso negativo). Así pues, los resultados deben ser evaluados por un analista humano.

Los analistas humanos necesitan muchas horas de formación y luego muchos meses/años de experiencia para ser fiables a la hora de detectar los numerosos tipos de fallos de los carriles. Los analistas deben adquirir las habilidades o la memoria muscular a través de la experiencia para reconocer todas las variaciones de los tipos de defectos en los carriles. Incluso los analistas más cualificados y experimentados pueden sufrir fatiga, por lo que los datos suelen ser revisados por varios analistas para garantizar que esto no ocurra, ya que podría llevar a pasar por alto posibles defectos en los carriles. Además, las señales de pequeños defectos pueden quedar ocultas bajo señales de ruido, que pueden ser difíciles de detectar en situaciones de gran volumen.

Haciendo referencia ahora a la FIG. 2A, se muestra generalmente un dibujo lineal de una imagen de resultados 200 que se obtienen de un reconocedor basado en reglas de defectos potenciales del carril. La imagen de resultados 200 puede generarse basándose en datos de trazado de ultrasonidos que se introducen en el reconocedor basado en reglas, e incluye una imagen de un carril izquierdo 204, un carril derecho 206 y datos de contexto 208 para aproximadamente 3,66 m (doce pies) de vía férrea. Una porción 202 de la imagen se muestra con más detalle en la FIG. 2B. Como se muestra en FIG. 2B, el sistema basado en reglas superpone recuadros sobre las ubicaciones que tienen defectos potenciales en la vía férrea. Como se describió anteriormente, los sistemas existentes requieren un análisis manual de las imágenes generadas por los sistemas basados en reglas para detectar fallas en los carriles. Se requiere que los analistas humanos revisen cada uno de los recuadros, y posiblemente porciones adicionales de la imagen de resultados 200, para determinar si corresponden a un defecto del carril. Los sistemas contemporáneos basados en reglas tienden a predecir en exceso y requieren muchas horas-persona para filtrar los falsos positivos.

Haciendo referencia ahora a la FIG. 3, se muestra un diagrama de bloques de los componentes de un sistema 300 para entrenar un motor de inferencia de red neuronal para reconocer defectos ferroviarios de acuerdo con una forma de realización de la invención. Como se muestra en FIG. 3, una base de datos de imágenes etiquetadas 308 se introduce en una interfaz de entrenamiento de red neuronal 306. La base de datos de imágenes etiquetadas 308 mostrada en la FIG. 3 incluye datos de detección, por ejemplo, para datos de traza de ultrasonido recogidos por uno o más escáneres de ultrasonido, o sensores. Las imágenes en los datos de trazado de ultrasonido han sido previamente etiquetadas por analistas humanos. La interfaz de entrenamiento de red neuronal 306 extrae las imágenes y sus correspondientes etiquetas para introducirlas en el preprocesador de datos de red neuronal 304. El preprocesador de datos de red neuronal 304 divide los datos recibidos en imágenes y etiquetas asociadas. El preprocesador de datos de red neuronal 304 introduce las imágenes en el motor de inferencia de red neuronal 302 (también denominado "red neuronal") por lotes, y predice las etiquetas de cada imagen. El preprocesador de entrenamiento de la red neural 304 envía la etiqueta conocida, de verdad, de cada imagen a la lógica de comparación 310.

Como se muestra en FIG. 3, la etiqueta predicha es comparada con la etiqueta conocida por la lógica de comparación 310. En formas de realización ejemplares de la presente invención, la lógica de comparación 310 utiliza una función de pérdida para comparar la etiqueta predicha con la etiqueta verdadera. Los resultados de la comparación se introducen en el motor de entrenamiento de la red neuronal 312 para determinar los ajustes a los sesgos y ponderaciones de la red neuronal para mejorar la precisión y reducir la función de pérdida. Los ajustes determinados se introducen en el motor de inferencia de la red neuronal 302. El proceso mostrado en FIG. 3 se repite iterativamente para minimizar la función de pérdida y maximizar la precisión de las predicciones. En una o más formas de realización de la presente invención, partes de la red neuronal mostrada en la FIG. 3 se implementan mediante software comercial. Por ejemplo, la biblioteca de código abierto de Google Tensorflow Python de rutinas matemáticas se puede utilizar para implementar la red neuronal.

En una o más formas de realización de la presente invención, el motor de inferencia de red neuronal 302 implementa una red neuronal de convolución de aprendizaje profundo (DLCNN) para realizar el reconocimiento de patrones de imagen. El motor de inferencia de red neuronal 302 también puede utilizar un modelo basado en una red neuronal recurrente de memoria a corto plazo larga (LTSM) para identificar los defectos del carril de longitud indeterminada. Estos dos enfoques pueden combinarse para permitir un reconocimiento detallado de la imagen pero proporcionando información contextual de la red neuronal recurrente. En una o más formas de realización de la presente invención, en lugar de, o además de, una red neuronal, se utiliza una tecnología estadística o basada en reglas más simple, ya que pueden obtenerse buenos resultados con mejoras del enfoque basado en reglas existente para algunos tipos de detección. Un ejemplo de esto podría ser marcar las secciones de alto ruido como no aptas para el análisis. En una o más formas de realización de la presente invención, la cobertura completa de los diversos tipos de defectos del carril implica la combinación de diferentes tecnologías para identificar los defectos del carril. Por ejemplo, las grietas en los orificios de los pernos y los defectos transversales suelen tener una longitud limitada y pueden detectarse únicamente mediante DLCNN. La separación de la cabeza y el alma y las cabezas partidas verticales pueden tener una longitud indeterminada y responden mejor a redes neuronales recurrentes como las LTSM. Una combinación de ambas combina el reconocimiento detallado de patrones con la información contextual.

Una vez que la red neuronal se ha entrenado hasta alcanzar el nivel de precisión deseado y se ha probado con datos no vistos previamente, se eliminan los componentes de entrenamiento y la red neuronal puede utilizarse como reconocedora.

Hay una variedad de momentos en que el reentrenamiento de la red neuronal puede ser útil, por ejemplo, después de una nueva disposición del transductor, después de la adición de transductores (por ejemplo, la adición de entradas del sensor de inducción a la entrada de ultrasonido), y nuevos tipos de sospecha de defectos en los carriles que aparecen en los carriles.

Haciendo referencia ahora a la FIG. 4, un diagrama de bloques de componentes de un sistema 400 para usar un motor de inferencia de red neural para reconocer fallas de carril se muestra generalmente de acuerdo con una forma de realización de la invención. Como se muestra en FIG. 4, un último archivo de detección de no-parada 408 que contiene los últimos datos de detección de no-parada es leído por una interfaz de archivo de red neuronal. Los datos de detección non-stop se refieren a los datos del transductor que han sido registrados como parte del proceso de adquisición. Suele cargarse en una ubicación de red al final de una adquisición. La llegada de un nuevo archivo de datos típicamente activará automáticamente el resto del proceso descrito aquí. En una forma de realización, el archivo de detección sin parar 408 contiene datos de traza de ultrasonido recogidos por uno o más sensores de ultrasonido. La interfaz de archivo de red neuronal 406 alimenta el contenido del archivo de detección sin paradas 408 al preprocesador de datos de red neuronal 404. El preprocesador de entrenamiento de red neuronal 404 convierte los datos del transductor en el archivo de detección en un formato adecuado para la red neuronal, que típicamente sería una serie de imágenes bidimensionales superpuestas de los patrones de golpe, aunque también podría ser una señal unidimensional de, por ejemplo, detecciones del sensor de inducción, y los alimenta al motor de inferencia de red neuronal 302 en lotes o como un flujo continuo. El motor de inferencia de red neural 302 determina si alguna de las imágenes recibidas o secciones del flujo de datos, indican un defecto en el carril. El motor de inferencia de red neuronal 302 genera una lista de presuntos defectos en los carriles 402. La salida puede ser una tabla en forma de archivo de texto como .csv o .xml. Una tabla de ejemplo se muestra abajo en la FIG. 8. En una forma de realización, la lista de presuntos defectos de carril 402 se almacena en una base de datos de informes que puede ser utilizada por el personal de seguimiento de los presuntos defectos de carril 402 para verificar la existencia de los presuntos defectos de carril 402 mediante la forma de realización de pruebas más detalladas utilizando sondas manuales, y para tomar medidas de reparación si es necesario.

De acuerdo con una o más formas de realización de la presente invención, los datos del transductor se registran y el procesamiento descrito con referencia a la FIG. 4 se realiza fuera de línea, por ejemplo en la nube y/o en una oficina con un acuerdo de nivel de servicio de tiempo de respuesta (por ejemplo, 24 horas).

Haciendo referencia ahora a la FIG. 5, un diagrama de bloques de componentes de un sistema 500 para el uso de una red neuronal para reconocer defectos ferroviarios utilizando datos en vivo se muestra generalmente de acuerdo con una forma de realización de la invención. El sistema 500 incluye una copia local del motor de inferencia de red neuronal 302, mostrado como motor de inferencia de red neuronal 516. Como se muestra en FIG. 5, una o más formas de realización de la presente invención pueden ser integradas en un sistema de medición en vivo (por ejemplo, un vagón de ferrocarril que realiza la inspección) de modo que los datos en vivo pueden ser transmitidos y los reconocimientos identificados en tiempo casi real. Tal como se utiliza en el presente documento, el término tiempo casi real se refiere a una cantidad de tiempo insignificante, como la cantidad de tiempo que se tarda en recoger los datos (por ejemplo, imagen) y para que la red neuronal procese los datos.

Como se muestra en FIG. 5, los contenidos de un archivo de detección en vivo y en crecimiento 508 son leídos por una interfaz en vivo de red neuronal 506. En una forma de realización, el archivo de detección en vivo y en crecimiento 508 contiene datos de traza de ultrasonido recogidos por uno o más sensores de ultrasonido en el vagón de ferrocarril. La interfaz de red neuronal en directo 506 transmite los datos de detección en crecimiento 508 a medida que se recogen al preprocesador de datos de red neuronal 504. El preprocesador de datos de red neuronal 504 extrae imágenes de los datos de detección y las introduce en el motor de inferencia de red neuronal 516 como un flujo continuo. El motor de inferencia de red neuronal 516 determina si la imagen indica un defecto en el carril. Si la imagen tiene las características de un defecto en el carril, entonces es emitida como una nueva sospecha de defecto en el carril 502.

Como se muestra en FIG. 5, la identificación de una nueva sospecha de defecto 502 puede disparar una alerta 514 para que el vehículo se detenga y permita la verificación por sensores manuales. Además, o alternativamente, la identificación de un nuevo defecto de carril sospechoso 502 puede desencadenar la captura de una imagen, de la sección de carril que corresponde al nuevo defecto de carril sospechoso 502, desde una memoria intermedia de una cámara de exploración de línea 510 situada en el vehículo ferroviario. Cabe señalar que los defectos del carril son a menudo difíciles o imposibles de ver en la imagen de la cámara, sin embargo, la imagen de la cámara sigue siendo útil para ayudar a identificar la sección exacta de la vía férrea que contiene el defecto. Por ejemplo, la imagen de la cámara puede utilizarse para ayudar al operador que está realizando la verificación mediante sensores manuales. La alerta 514 o la información de identificación sobre el defecto en la vía, tal como la imagen de la cámara, puede también ser enviada a un dispositivo de usuario específico y/o a una computadora no localizado en el vehículo ferroviario.

Como se muestra en FIG. 5, un sistema de reporte de sospechas 512 puede cargar (por ejemplo, a través de una red inalámbrica) una lista de las nuevas sospechas de fallas de carril 502 a una base de datos no localizada en el vehículo ferroviario. En una forma de realización, uno o ambos de los resultados de la verificación por sensores manuales y la imagen capturada por la cámara de escaneo de línea 510 pueden también ser cargados a la base de datos por el sistema de reporte de sospechosos 512.

Haciendo referencia ahora a la FIG. 6, un diagrama de bloques de componentes de un sistema 600 para auditar la exactitud de una red neuronal se muestra generalmente de acuerdo con una forma de realización de la invención. El sistema mostrado 600 en la FIG. 6 puede ejecutarse en un entorno de nube en el que los archivos de detección 608 sin interrupciones se cargan desde una o más ubicaciones geográficas al software de auditoría. La interfaz de archivos completos de red neuronal 606 alimenta los archivos de detección 608 al preprocesador de datos de red neuronal 604. El preprocesador de entrenamiento de red neuronal 604 extrae las imágenes de los archivos de detección 608 y las alimenta al motor de inferencia de red neuronal 302 en lotes o como un flujo continuo. El motor de inferencia de red neuronal 302 determina si alguna de las imágenes recibidas indica un defecto en el carril. El motor de inferencia de red neuronal 302 genera una lista de presuntos defectos en los carriles 602.

En una forma de realización, la lista de presuntos defectos de carril 602 se descarga y se añade a una base de datos de presuntos defectos de carril en el mismo formato que la salida generada por etiquetadores humanos de defectos de carril. Además, como se muestra en la FIG. 6, la lista de presuntos defectos ferroviarios 602 generada por la red neuronal se introduce en un módulo de etiquetas de analistas 610 en el que analistas humanos auditan la lista de presuntos defectos ferroviarios 602. Las etiquetas proporcionadas por los analistas se comparan, mediante un módulo de comparación con resultados de analistas 614, para determinar si la lista de sospechosos también se determinan como fallos de carril por los analistas. Los resultados de la comparación, incluidos los falsos positivos y los falsos negativos, se devuelven al motor de inferencia de red neuronal 302 para su mejora continua. Los resultados de la comparación también pueden ser reportados a usuarios específicos o enviados a una base de datos de resultados de auditoría. La auditoría mostrada en la FIG. 6 puede realizarse automáticamente de forma periódica o no periódica y/o en respuesta a una solicitud para realizar una auditoría u otro evento.

De acuerdo con una o más formas de realización de la presente invención, la salida de la red neuronal se valida de forma periódica o aperiódica comparándola con la salida humana (por ejemplo, etiquetas). Cuando se encuentran falsos positivos y falsos negativos, se añaden al proceso de entrenamiento de la red asignándolos aleatoriamente a un conjunto de entrenamiento o a un conjunto de validación. De este modo aumentan los datos de entrenamiento y se obtiene una red neuronal más precisa. Además, la adición al conjunto de validación puede dar lugar a una medida estadísticamente más significativa de la precisión de la red neuronal. El proceso de validación puede automatizarse para que las redes neuronales mejoren continuamente su aprendizaje. De acuerdo con una forma de realización alternativa de la presente invención, se implementa una nueva red neuronal sin entrenamiento y se basa en la retroalimentación de las detecciones humanas para enseñarle gradualmente nuevas detecciones. La nueva red neuronal se ejecuta en segundo plano y no se utiliza para la detección de defectos ferroviarios hasta que alcanza los niveles requeridos de precisión.

Haciendo referencia ahora a la FIG. 7A, un diagrama de bloques de componentes de un sistema 700A para usar una red neuronal para reconocer defectos en carriles se muestra generalmente de acuerdo con una forma de realización de la invención.

El sistema 700A mostrado en la FIG. 7A incluye una aplicación de inspección de carriles 708 que es ejecutada por uno o más programas de computadora ubicados en una computadora anfitriona 704. La aplicación de inspección de carriles 708 incluye tres módulos, un módulo de entrenamiento 710, un módulo de detección 712, y un módulo de auditoría 714. Cualquiera de los módulos de la aplicación de inspección ferroviaria 708 puede ser iniciado por un usuario final en el sistema de usuario final 702 a través de redes en la nube 706 o por un sistema de usuario final 702 local a la computadora central 704. Los módulos también pueden ser iniciados por instrucciones informáticas que se ejecutan en el sistema informático 732 a través de las redes 706.

Las formas de realización ejemplares del módulo de entrenamiento 710 mostrado en la FIG. 7A son implementados por los componentes y procesamiento descritos anteriormente en referencia a la FIG. 3 para entrenar el motor de inferencia de red neuronal 302. En una forma de realización, la base de datos de imágenes etiquetadas 308 mostradas en la FIG. 3 se almacena en el dispositivo de almacenamiento de datos de entrenamiento 720 y se accede a través de redes en la nube 706. En otra forma de realización (no mostrada) el dispositivo de almacenamiento de datos de entrenamiento 720 es local (accesible sin usar las redes en la nube 706) a la computadora host 704 y accedido directamente, o contenido, por la computadora host 704.

El módulo de detección 712 mostrado en la FIG. 7A puede ser implementado por los componentes y procesamiento descritos en la FIG. 4 para utilizar el motor de inferencia de red neural 302 para detectar fallas en el carril. En una forma de realización, el último archivo de detección sin paradas 408 utilizado en la FIG. 4 se almacena en el dispositivo de almacenamiento de datos de detección 718 y se accede a través de redes en la nube 706. En otra forma de realización (no mostrada) el último archivo de detección sin paradas 408 es local a la computadora host 704 y accedido directamente por la computadora host 704. Como se muestra en FIG. 7A, el motor de inferencia de red neuronal 302 está conectado directamente a la computadora host 704 y el acceso es controlado por la computadora host 704. Aunque no se muestra, el motor de inferencia de red neuronal 302 puede estar acoplado comunicativamente a las redes de nube 706 y accesible (por ejemplo, al sistema de computadora 732) a través de las redes de nube 706. En una forma de realización, la lista de presuntos defectos de carril 402 se almacena en el dispositivo de almacenamiento de datos de informe de defectos de carril 722 y/o se emite al sistema de usuario final 702 o al sistema informático 732. En otra forma de realización (no mostrada) el dispositivo de almacenamiento de datos de informe de defectos de carril 722 es local a la computadora host 704 y accedido directamente, o contenido, por la computadora host 704.

El módulo de auditoria 714 puede ser implementado por los componentes y procesamientos descritos en la FIG. 6 para auditar la exactitud de los resultados producidos por el motor de inferencia de red neural 302 en la detección de fallas en el carril. En una forma de realización, los archivos de detección 608 usados en la FIG. 6 se almacenan en el dispositivo de almacenamiento de datos de detección 718 y se accede a ellos a través de redes en la nube 706. En otra forma de realización (no mostrada) los archivos de detección 608 se descargan a la computadora host 704 y se accede a ellos directamente por la computadora host 704. En una forma de realización, la lista de presuntos defectos de carril 402 se almacena en el dispositivo de almacenamiento de datos de informe de defectos de carril 722 y/o se emite al sistema de usuario final 702 o al sistema informático 732. En otra forma de realización (no mostrada) el dispositivo de almacenamiento de datos de informe de defectos de carril 722 es local a la computadora host 704 y accedido directamente, o contenido, por la computadora host 704.

También mostrado en FIG. 7A es un vagón 724 que incluye una computadora host 726, un módulo de detección a bordo 750, un dispositivo de almacenamiento de datos de detección local 728, un dispositivo de almacenamiento de datos de reporte local 740, un dispositivo de usuario local 742, y un motor de inferencia de red neural local 516 para implementar el procesamiento a bordo descrito anteriormente con respecto a la FIG. 5. En una forma de realización, el motor de inferencia de red neural local 516 es una copia del motor de inferencia de red neural 302 que fue recuperado a través de las redes de nube 706 y que es actualizado cuando el motor de inferencia de red neural 302 es actualizado. Además de ser enviadas al dispositivo de usuario final local 742, las imágenes etiquetadas enviadas desde el motor de inferencia de red neuronal local 516 pueden ser enviadas, a través de las redes en la nube 706 a otro sistema de usuario final 702, otros procesadores tales como el sistema informático 732, y/o al dispositivo de almacenamiento de datos de informe de fallos de carriles 722. De forma similar, las copias de datos almacenados en el dispositivo de almacenamiento de datos de informe local 740 pueden cargarse a través de las redes en la nube 706 al dispositivo de almacenamiento de datos de informe de defectos ferroviarios 722, y las copias de datos almacenados en el dispositivo de almacenamiento de datos de detección local 728 pueden cargarse a través de las redes en la nube 706 al dispositivo de almacenamiento de datos de detección 718.

El sistema de usuario final 702 mostrado en la FIG. 7A puede implementarse utilizando computadoras de propósito general que ejecutan un programa informático para llevar a cabo los procesos descritos en el presente documento. Cada uno de los sistemas de usuario final 702 puede ser una computadora personal (por ejemplo, una computadora de mesa, una computadora portátil, una tableta, un teléfono inteligente) o un terminal conectado al host. Si un sistema de usuario final 702 es una computadora personal, el procesamiento descrito en el presente documento puede ser compartido por el sistema de usuario final 702 y la computadora host 704. Del mismo modo, si el sistema de usuario final 742 es una computadora personal, el procesamiento descrito en el presente documento puede ser compartido por el sistema de usuario final 742 y la computadora host 726.

Las redes de nube 706 pueden incluir una o más de cualquier tipo de redes conocidas incluyendo, pero no limitadas a, una red de área amplia (WAN), una red de área local (LAN), una red global (por ejemplo, Internet), una red privada virtual (VPN), y una intranet. Las redes en la nube 706 pueden incluir una red privada en la que el acceso a la misma esté restringido a miembros autorizados. Las redes en la nube 706 pueden ser implementadas usando tecnologías de redes inalámbricas o cualquier tipo de implementación de red física conocida en la técnica. Los componentes mostrados en la FIG. 7A pueden estar acoplados a uno o más componentes a través de múltiples redes (por ejemplo, Internet, intranet y red privada) de modo que no todos los componentes están acoplados a otros componentes a través de las mismas redes.

Se entenderá por un experto en la materia que otras configuraciones de red pueden ser utilizadas para realizar las ventajas de las formas de realización de la presente invención. La configuración mostrada en la FIG. 7A es para fines ilustrativos y no debe interpretarse como limitante en su alcance.

Como se ha indicado anteriormente, los dispositivos de almacenamiento 718, 720, y 722 son accesibles a través de las redes de nube 706. Los dispositivos de almacenamiento 718, 720, y 722 pueden implementarse utilizando una variedad de dispositivos para almacenar información electrónica. Se entiende que uno o más de los dispositivos de almacenamiento pueden ser implementados usando memoria contenida en la computadora host 704 o pueden ser dispositivos físicos separados, como se ilustra en la FIG. 7A. Los dispositivos de almacenamiento pueden ser lógicamente direccionables como una fuente de datos consolidada a través de un entorno distribuido que incluye las redes en la nube 706. La información almacenada en los dispositivos de almacenamiento puede ser recuperada y manipulada a través de la computadora host 704 y los usuarios autorizados de 702, 726, 742, y 732.

La computadora host 704 representada en la FIG. 7A puede ser implementado usando uno o más servidores operando en respuesta a un programa informático almacenado en un medio de almacenamiento accesible por el servidor. La computadora host 704 puede operar como un servidor de red (por ejemplo, un servidor web) para comunicarse con los sistemas 702 de usuario final. La computadora host 704 también puede funcionar como un servidor de aplicaciones. La computadora host 704 ejecuta uno o más programas informáticos, incluyendo una aplicación de inspección ferroviaria 708, para realizar las funciones descritas en el presente documento. El procesamiento puede ser compartido por el sistema de usuario final 702 y/o el sistema informático 732 proporcionando una aplicación al sistema de usuario final 702 y/o al sistema informático 732. Alternativamente, el sistema de usuario final 702 puede incluir una aplicación de software independiente para realizar una parte o todo el procesamiento descrito en el presente documento. Como se ha descrito anteriormente, se entiende que se pueden utilizar servidores separados para implementar las funciones del servidor de red y las funciones del servidor de aplicaciones. Alternativamente, el servidor de red, el cortafuegos y el servidor de aplicaciones pueden ser implementados por un único servidor que ejecute programas informáticos para realizar las funciones requeridas. Haciendo referencia ahora a la FIG. 7B, un diagrama de bloques de componentes de un sistema 700B para usar una red neuronal en un entorno de nube para reconocer defectos ferroviarios se muestra generalmente de acuerdo con una forma de realización de la invención. El sistema 700B mostrado en la FIG. 7B tiene componentes que son similares a los descritos anteriormente con referencia a la FIG. 7A, sin embargo varios de los componentes están localizados dentro de las redes de nube 706. Como se muestra en FIG. 7B, los dispositivos de almacenamiento 718, 720, y 722, la computadora host 704, el sistema informático 732, el motor de inferencia de red neuronal 302, y la aplicación de inspección ferroviaria 708 (incluyendo el módulo de entrenamiento 710, el módulo de detección 712, y el módulo de auditoría 714) se encuentran dentro de las redes en la nube 706; y se accede a través de los sistemas de usuario final 702. Además, la computadora host 726 situada en el vagón 724 también puede acceder a los componentes a través de las redes en la nube. El sistema 700B mostrado en la FIG. 7B puede implementarse a través de una arquitectura de computación en la nube y utilizar servicios en la nube tales como, pero no limitados a, Amazon Web Services.

Haciendo referencia ahora a la FIG. 8, un ejemplo de una tabla de lista de defectos sospechosos 800 se muestra generalmente de acuerdo con una forma de realización de la invención. En una forma de realización, la tabla de lista de defectos sospechosos 800 se emite en forma de un archivo de texto tal como, pero no limitado a .csv o .xml. La tabla de lista de defectos sospechosos 800 mostrada en la FIG. 8 incluye una columna Test Segment Id 802 que identifica un registro de adquisición de datos ejecutado en la vía férrea del defecto sospechoso del carril, una columna Rail Indicator 804 que identifica si el defecto sospechoso está en el carril izquierdo o derecho, una columna Rail Pulse Count 806 que representa la distancia a lo largo de la vía desde el inicio del registro; una columna Código UIC/Comentario 806 que identifica un código de la Unión Internacional de Ferrocarriles (UIC), o una variación interna del mismo, correspondiente a un tipo del presunto defecto del carril (código UIC) y un comentario que incluye un texto para describir el presunto defecto del carril, y una columna Confianza 810 que indica un nivel de confianza de la red neuronal en su evaluación del presunto defecto del carril. El ID del segmento de prueba, el indicador de carril y el recuento de impulsos de carril pueden convertirse en una posición única en la vía férrea en cuestión en términos de latitud y longitud o punto kilométrico y yardas u otra descripción base de la vía férrea. Para ello, se combina esta información con metadatos del recorrido (no mostrados aquí). La red neuronal puede entrenarse para reconocer muchos tipos diferentes de defectos y características en un carril. Tipos comunes incluyen, pero no se limitan a: agujero de perno, grieta de agujero de perno, separación de cabeza y alma, defectos transversales, y cabezas partidas verticales.

Haciendo referencia ahora a la FIG. 9, un ejemplo de una exploración de ultrasonido 900 de un agujero de perno libre de defectos se muestra generalmente de acuerdo con una forma de realización de la invención. En una forma de realización, un defecto es mostrado combinando ecos de catorce o más transductores que pueden incluir pero no están limitados a: transductores de ultrasonido; transductores de inducción; y/o transductores de corriente de Foucault. El ejemplo de la FIG. 9 representa una imagen que muestra ecos de transductores de ultrasonidos que se introducen en una red neuronal para el entrenamiento y/o la detección de defectos en los carriles. El ejemplo de la FIG. 9 es de un agujero de perno "bueno", lo que significa que no es un defecto del carril. Los diferentes números corresponden a resultados de diferentes clases de transductores. En una forma de realización, un "-3" se refiere a ecos de transductores traseros en un ángulo de 70 grados "-2" a ecos de transductores traseros en un ángulo negativo de 45°, "-1" a la falta de un eco o respuesta esperada (por ejemplo, 0" para ningún eco recibido, "+1" para ecos de transductores en un ángulo de 0° (perpendicular al carril), "+2" para ecos de transductores delanteros en un ángulo de 45° y "+3" para ecos de transductores delanteros en un ángulo de 70°. Los transductores similares y/o duplicados pueden asignarse al mismo número. Las asignaciones de números anteriores son un ejemplo y pueden cambiarse al detectar diferentes tipos de averías. La elección de estos mapeos puede tener un gran efecto en la capacidad de aprendizaje de la red neuronal.

Haciendo referencia ahora a la FIG. 10, un ejemplo de una exploración de ultrasonido 1000 de un agujero de perno con un defecto se muestra generalmente de acuerdo con una forma de realización de la invención. El ejemplo de la FIG. 10 muestra un ejemplo de una grieta grande en un agujero de perno. Debe tenerse en cuenta que hay muchas variaciones de grietas de agujero de perno y cómo podrían aparecer en una imagen. Por ejemplo, las grietas de agujero de perno más pequeñas pueden tener sólo unos pocos píxeles de longitud, y las grietas de agujero de perno también pueden aparecer en diferentes partes del agujero de perno y pueden ser detectadas por diferentes transductores.

Haciendo referencia ahora a la FIG. 11, FIG. 12, y FIG. 13 se muestran generalmente ejemplos de salidas 1100, 1200 y 1300 de una red neuronal, tal como el motor de inferencia de red neuronal 302, de acuerdo con una forma de realización de la invención. En este ejemplo, la red neuronal ha sido entrenada para reconocer grietas en agujeros de pernos, agujeros de pernos sin grietas y extremos de carriles. Durante el entrenamiento, se muestran a la red neuronal muchos ejemplos de cada uno de estos tipos, así como ejemplos de ruido y otras señales, de modo que también se puedan reconocer los "desconocidos". En una forma de realización, las imágenes se transmiten a la red neuronal en una secuencia superpuesta. En los ejemplos mostrados en las FIG. 11-13, las imágenes son de 80x64 píxeles y se solapan en 60 píxeles (es decir, incrementos de 4 píxeles). Los reconocimientos superpuestos (por ejemplo, de grietas en agujeros de pernos y agujeros de pernos sin grietas, etc.) se muestran mediante una franja de color (mostrada en las FIG. 11-13 como rayas sombreadas). Las partes etiquetadas como 1102 indican presuntas grietas en los agujeros de los pernos, las partes etiquetadas como 1104 indican agujeros de pernos sin grietas, las partes etiquetadas como 1106 indican los extremos de los carriles y las partes etiquetadas como 1108 tienen un contenido desconocido. La red neuronal da a cada reconocimiento individual una confianza de que ha sido correctamente identificado. Estos se muestran en esta forma de realización como la posición vertical de un guión vertical. En esta forma de realización, la mayoría están cerca de la confianza máxima (mostrada arbitrariamente como la mitad del eje), pero algunos son más bajos, lo que indica una menor confianza. Se puede lograr un nivel de confianza más alto combinando las confianzas de las rayas individuales en un filtro en funcionamiento que eliminará las indicaciones falsas ocasionales. El filtro de funcionamiento también se utiliza para dar la posición de la falla del carril, típicamente mostrada como el centro de un grupo de indicaciones.

Haciendo referencia ahora a la FIG. 14, un diagrama de bloque de un sistema de computadora 1400 para implementar algunos o todos los aspectos de inspeccionar un carril usando aprendizaje de máquina es generalmente mostrado de acuerdo con una forma de realización de la invención. El procesamiento descrito aquí puede implementarse en hardware, software (por ejemplo, firmware), o una combinación de los mismos. En una forma de realización ejemplar, los métodos descritos pueden implementarse, al menos en parte, en hardware y pueden formar parte del microprocesador de un sistema informático especial o de propósito general 1400, como un dispositivo móvil, una computadora personal, una estación de trabajo, una minicomputadora o una computadora central.

En una forma de realización ejemplar, como se muestra en la FIG. 14, el sistema informático 1400 incluye un procesador 1405, memoria 1412 acoplada a un controlador de memoria 1415, y uno o más dispositivos de entrada 1445 y/o dispositivos de salida 1447, tales como periféricos, que están acoplados comunicativamente a través de un controlador de E/S local 1435. Estos dispositivos 1447 y 1445 pueden incluir, por ejemplo, una impresora, un escáner, un micrófono, y similares. Un teclado convencional 1450 y un ratón 1455 pueden estar acoplados al controlador de E/S 1435. El controlador de E/S 1435 puede ser, por ejemplo, uno o más buses u otras conexiones cableadas o inalámbricas, como son conocidas en la técnica. El controlador de E/S 1435 puede tener elementos adicionales, que se omiten por simplicidad, tales como controladores, búferes (cachés), controladores, repetidores y receptores, para permitir las comunicaciones.

Los dispositivos de E/S 1447, 1445 pueden incluir además dispositivos que comunican tanto entradas como salidas, por ejemplo, almacenamiento en disco y cinta, una tarjeta de interfaz de red (NIC) o modulador/demodulador (para acceder a otros archivos, dispositivos, sistemas o una red), un transceptor de radiofrecuencia (RF) u otro transceptor, una interfaz telefónica, un puente, un enrutador, y similares.

El procesador 1405 es un dispositivo de hardware para ejecutar instrucciones de hardware o software, particularmente aquellas almacenadas en la memoria 1412. El procesador 1405 puede ser un procesador hecho a medida o disponible comercialmente, una unidad central de procesamiento (CPU), un procesador auxiliar entre varios procesadores asociados con el sistema informático 1400, un microprocesador basado en semiconductor (en forma de microchip o conjunto de chips), un microprocesador u otro dispositivo para ejecutar instrucciones. El procesador 1405 puede incluir una caché tal como, pero no limitada a, una caché de instrucciones para acelerar la obtención de instrucciones ejecutables, una caché de datos para acelerar la obtención y almacenamiento de datos, y una memoria intermedia de traducción (TLB) utilizada para acelerar la traducción de direcciones virtuales a físicas tanto para instrucciones ejecutables como para datos. La caché puede estar organizada como una jerarquía de más niveles de caché (L1, L2, etc.).

La memoria 1412 puede incluir uno o combinaciones de elementos de memoria volátil (por ejemplo, memoria de acceso aleatorio, RAM, como DRAM, SRAM, SDRAM, etc.) y elementos de memoria no volátil (por ejemplo, ROM, memoria de sólo lectura programable borrable (EPROM), memoria de sólo lectura programable electrónicamente borrable (EEPROM), memoria de sólo lectura programable (PROM), cinta, memoria de sólo lectura de disco compacto (CD-ROM), disco, disquete, cartucho, casete o similar, etc.). Además, la memoria 1412 puede incorporar medios de almacenamiento electrónicos, magnéticos, ópticos o de otro tipo. Nótese que la memoria 1412 puede tener una arquitectura distribuida, donde los componentes están situados remotamente unos de otros pero pueden ser accedidos por el procesador 1405.

Las instrucciones en la memoria 1412 pueden incluir uno o más programas separados, cada uno de los cuales comprende un listado ordenado de instrucciones ejecutables para implementar funciones lógicas. En el ejemplo de la FIG. 14, las instrucciones en la memoria 1412 incluyen un sistema operativo (OS) 1411 adecuado. El sistema operativo 1411 esencialmente puede controlar la ejecución de otros programas informáticos y proporciona programación, control de entrada-salida, gestión de archivos y datos, gestión de memoria y control de comunicación y servicios relacionados.

Datos adicionales, incluyendo, por ejemplo, instrucciones para el procesador 1405 u otra información recuperable, pueden almacenarse en el almacenamiento 1427, que puede ser un dispositivo de almacenamiento tal como una unidad de disco duro o una unidad de estado sólido. Las instrucciones almacenadas en la memoria 1412 o en el almacenamiento 1427 pueden incluir aquellas que permiten al procesador ejecutar uno o más aspectos de los sistemas y métodos de despacho de la presente divulgación.

El sistema informático 1400 puede incluir además un controlador de pantalla 1425 acoplado a una pantalla 1430. En una forma de realización ejemplar, el sistema informático 1400 puede incluir además una interfaz de red 1460 para acoplarse a una red 1465. La red 1465 puede ser una red basada en IP para la comunicación entre el sistema informático 1400 y un servidor externo, cliente y similares a través de una conexión de banda ancha. La red 1465 transmite y recibe datos entre el sistema informático 1400 y los sistemas externos. En una forma de realización ejemplar, la red 1465 puede ser una red IP gestionada administrada por un proveedor de servicios. La red 1465 puede implementarse de forma inalámbrica, por ejemplo, utilizando protocolos y tecnologías inalámbricas, tales como WiFi, WiMax, etc. La red 1465 también puede ser una red de conmutación de paquetes, como una red de área local, una red de área amplia, una red de área metropolitana, Internet u otro tipo similar de entorno de red. La red 1465 puede ser una red inalámbrica fija, una red de área local (LAN) inalámbrica, una red de área amplia (WAN) inalámbrica, una red de área personal (PAN), una red privada virtual (VPN), una intranet u otro sistema de red adecuado, y puede incluir equipos para recibir y transmitir señales.

Los sistemas y métodos para inspeccionar un carril mediante aprendizaje automático descritos en el presente documento pueden incorporarse, total o parcialmente, en productos de programas informáticos o en sistemas informáticos 1400, como el ilustrado en la FIG. 14.

Los efectos y beneficios técnicos de algunas formas de realización incluyen proporcionar un sistema para inspeccionar un carril, tal como el usado en ferrocarriles, usando aprendizaje automático. Otros efectos y beneficios técnicos incluyen proporcionar detección automatizada de defectos en carriles a una mayor velocidad y al nivel de precisión de un analista humano.

Los efectos y beneficios técnicos de algunas formas de realización también incluyen la capacidad de utilizar redes neuronales de convolución de aprendizaje profundo y/o redes neuronales recurrentes que pueden proporcionar resultados más precisos en comparación con los enfoques contemporáneos que utilizan redes neuronales más simples.

Los efectos y beneficios técnicos de algunas formas de realización también incluyen la capacidad de utilizar señales de transductor directamente, lo que puede dar lugar a predicciones más precisas en comparación con los enfoques contemporáneos que utilizan estadísticas como entradas para el entrenamiento de la red neuronal. La capacidad de llevar a cabo el reconocimiento de patrones directamente en representaciones bidimensionales y tridimensionales de los resultados de los sensores, tal y como se describe en el presente documento, no es realizada por las técnicas contemporáneas. Por el contrario, los enfoques contemporáneos simplifican enormemente los miles de píxeles de las señales de los transductores en un puñado de estadísticas que se introducen en una red neuronal simple, no convolutiva y unidimensional con una capa oculta.

Los efectos y beneficios técnicos de algunas formas de realización incluyen además la capacidad de entrenar la red neuronal utilizando decenas de miles de puntos de datos de ejemplo (es decir, datos etiquetados), lo que puede dar lugar a predicciones más precisas en comparación con los enfoques contemporáneos que entrenan típicamente utilizando unos pocos cientos de puntos de datos de ejemplo. Los datos pueden extraerse de una amplia biblioteca de registros históricos para obtener decenas de miles de ejemplos de datos con los que entrenar la red neuronal. Esta capacidad de recopilar datos de ejemplo de procesos de reconocimiento manual existentes y la comparación continua de los resultados de la red neuronal con los ejemplos etiquetados manualmente pueden dar lugar a predicciones más precisas. Los resultados de la comparación pueden clasificarse en verdaderos positivos, falsos positivos y falsos negativos, y volver a introducirse en la red neuronal para mejorar el entrenamiento, auditar la red neuronal y mantenerla actualizada.

Los efectos y ventajas técnicas de algunas formas de realización incluyen la capacidad de ejecutarse con la misma facilidad en una computadora autónoma que en una potente computadora basada en la nube. Esto hace que resulte práctico realizar el proceso de entrenamiento de alta intensidad computacional en la nube, y que el reconocedor funcione de una manera menos intensa computacionalmente en diversas situaciones (por ejemplo, realizando el posprocesamiento de los datos del transductor en una de oficina o en una computadora en la nube, y realizando el procesamiento en vivo en un vehículo de adquisición de datos).

A lo largo de la memoria descriptiva y las reivindicaciones, los siguientes términos adoptan los significados explícitamente asociados en el presente documento, a menos que el contexto dicte claramente lo contrario. El término "conectado" significa una conexión directa entre los elementos conectados, sin dispositivos intermedios. El término "acoplado" significa una conexión directa entre los elementos conectados, o una conexión indirecta a través de uno o más dispositivos intermediarios pasivos o activos. El término "circuito" se refiere a un único componente o a una multiplicidad de componentes, activos y/o pasivos, que se acoplan entre sí para proporcionar o realizar una función deseada. El término "señal" designa al menos una señal de corriente, tensión o datos. Por "módulo" se entiende un circuito (integrado o no), un grupo de tales circuitos, un procesador o procesadores, un procesador o procesadores que implementan programas informáticos, o una combinación de un circuito (integrado o no), un grupo de tales circuitos, un procesador o procesadores y/o un procesador o procesadores que implementan programas informáticos.

El término "aproximadamente" pretende incluir el grado de error asociado con la medición de la cantidad particular basada en el equipo disponible en el momento de presentar la solicitud. Por ejemplo, "aproximadamente" puede incluir un intervalo del 6%, 5% o 2% de un valor determinado.

La terminología empleada en el presente documento tiene por objeto describir únicamente formas de realización particulares y no pretende ser limitativa de la divulgación. Tal como se utilizan en el presente documento, las formas singulares "un", "una", "el" y "la" pretenden incluir también las formas plurales, a menos que el contexto indique claramente lo contrario. Se entenderá además que los términos "comprende" y/o "que comprende", cuando se usan en esta especificación, especifican la presencia de características, números enteros, pasos, operaciones, elementos y/o componentes declarados, pero no excluyen la presencia o adición de una o más características, números enteros, pasos, operaciones, componentes de elementos y/o grupos de los mismos.

Las estructuras, materiales, actos y equivalentes correspondientes de todos los medios o pasos más elementos de función en las reivindicaciones a continuación pretenden incluir cualquier estructura, material o acto para realizar la función en combinación con otros elementos reivindicados como se reivindica específicamente. La descripción de la presente invención se ha presentado con fines ilustrativos y descriptivos, pero no pretende ser exhaustiva ni limitarse a la invención en la forma divulgada. Las formas de realización se han elegido y descrito para explicar mejor los principios de la invención y la aplicación práctica, y para permitir que otras personas con conocimientos ordinarios en la materia comprendan la invención para diversas formas de realización con diversas modificaciones que se adapten al uso particular contemplado.

La presente invención puede ser un sistema, un método y/o un producto de programa informático. El producto de programa informático puede incluir un medio (o medios) de almacenamiento legible por computadora que contenga instrucciones de programa legibles por computadora para hacer que un procesador lleve a cabo aspectos de la presente invención.

El medio de almacenamiento legible por computadora puede ser un dispositivo tangible que puede retener y almacenar instrucciones para su uso por un dispositivo de ejecución de instrucciones. El medio de almacenamiento legible por computadora puede ser, por ejemplo, pero no se limita a, un dispositivo de almacenamiento electrónico, un dispositivo de almacenamiento magnético, un dispositivo de almacenamiento óptico, un dispositivo de almacenamiento electromagnético, un dispositivo de almacenamiento semiconductor, o cualquier combinación adecuada de los anteriores. Una lista no exhaustiva de ejemplos más específicos del medio de almacenamiento legible por computadora incluye los siguientes: un disquete informático portátil, un disco duro, una memoria de acceso aleatorio (RAM), una memoria de sólo lectura (ROM), una memoria de sólo lectura programable borrable (EPROM o memoria Flash), una memoria de acceso aleatorio estática (SRAM), una memoria de sólo lectura de disco compacto portátil (CD-ROM), un disco versátil digital (DVD), un lápiz de memoria, un disquete, un dispositivo codificado mecánicamente, como tarjetas perforadas o estructuras en relieve en una ranura que tienen instrucciones grabadas en ellas, y cualquier combinación adecuada de los anteriores. Un medio de almacenamiento legible por computadora, tal como se utiliza en el presente documento, no debe interpretarse como señales transitorias per se, tales como ondas de radio u otras ondas electromagnéticas que se propagan libremente, ondas electromagnéticas que se propagan a través de una guía de ondas u otros medios de transmisión (por ejemplo, pulsos de luz que pasan a través de un cable de fibra óptica), o señales eléctricas transmitidas a través de un cable.

Las instrucciones de programa legibles por computadora descritas en el presente documento pueden descargarse a los respectivos dispositivos informáticos/de procesamiento desde un medio de almacenamiento legible por computadora o a una computadora externa o dispositivo de almacenamiento externo a través de una red, por ejemplo, Internet, una red de área local, una red de área amplia y/o una red inalámbrica. La red puede comprender cables de transmisión de cobre, fibras de transmisión óptica, transmisión inalámbrica, enrutadores, cortafuegos, conmutadores, computadoras de pasarela y/o servidores de borde. Una tarjeta adaptadora de red o una interfaz de red en cada dispositivo de computación/procesamiento recibe instrucciones de programa legibles por computadora desde la red y reenvía las instrucciones de programa legibles por computadora para su almacenamiento en un medio de almacenamiento legible por computadora dentro del dispositivo de computación/procesamiento respectivo.

Las instrucciones de programa legibles por computadora para llevar a cabo las operaciones de la presente invención pueden ser instrucciones de ensamblador, instrucciones de arquitectura de conjunto de instrucciones (ISA), instrucciones de máquina, instrucciones dependientes de máquina, microcódigo, instrucciones de firmware, datos de establecimiento de estado, o bien código fuente o código objeto escrito en cualquier combinación de uno o más lenguajes de programación, incluido un lenguaje de programación orientado a objetos como Python, Java, Smalltalk, C++ o similares, y lenguajes de programación procedimentales convencionales, como el lenguaje de programación "C" o lenguajes de programación similares. Las instrucciones de programa legibles por computadora pueden ejecutarse íntegramente en la computadora del usuario, parcialmente en la computadora del usuario, como un paquete de software independiente, parcialmente en la computadora del usuario y parcialmente en una computadora remota o íntegramente en la computadora o servidor remoto. En este último caso, la computadora remota puede estar conectado a la computadora del usuario a través de cualquier tipo de red, incluida una red de área local (LAN) o una red de área extensa (WAN), o la conexión puede realizarse a una computadora externa (por ejemplo, a través de Internet utilizando un proveedor de servicios de Internet). En algunas formas de realización, los circuitos electrónicos que incluyen, por ejemplo, circuitos lógicos programables, matrices de puertas programables en campo (FPGA) o matrices lógicas programables (PLA) pueden ejecutar las instrucciones de programa legibles por computadora utilizando la información de estado de las instrucciones de programa legibles por computadora para personalizar los circuitos electrónicos, con el fin de realizar aspectos de la presente invención.

Los aspectos de la presente invención se describen en el presente documento con referencia a ilustraciones de diagramas de flujo y/o diagramas de bloques de métodos, aparatos (sistemas) y productos de programas informáticos según formas de realización de la invención. Se entenderá que cada bloque de las ilustraciones del diagrama de flujo y/o los diagramas de bloques, y las combinaciones de bloques en las ilustraciones del diagrama de flujo y/o los diagramas de bloques, pueden implementarse mediante instrucciones de programa legibles por computadora.

Se entenderá que cada bloque de las ilustraciones de diagrama de flujo y/o diagramas de bloques, y combinaciones de bloques en las ilustraciones de diagrama de flujo y/o diagramas de bloques, puede implementarse mediante instrucciones de programa legibles por computadora. Estas instrucciones de programa legibles por computadora pueden proporcionarse a un procesador de una computadora de propósito general, computadora de propósito especial, u otro aparato de procesamiento de datos programable para producir una máquina, de tal manera que las instrucciones, que se ejecutan a través del procesador de la computadora u otro aparato de procesamiento de datos programable, crean medios para implementar las funciones/actos especificados en el diagrama de flujo y/o bloque o bloques del diagrama de bloques.

Estas instrucciones de programa legibles por computadora también pueden almacenarse en un medio de almacenamiento legible por computadora que puede dirigir una computadora, un aparato de procesamiento de datos programable, y/u otros dispositivos para funcionar de una manera particular, de tal manera que el medio de almacenamiento legible por computadora que tiene instrucciones almacenadas en el mismo comprende un artículo de fabricación que incluye instrucciones que implementan aspectos de la función/acto especificados en el diagrama de flujo y/o bloque o bloques del diagrama de bloques.

El diagrama de flujo y los diagramas de bloques de las Figuras ilustran la arquitectura, funcionalidad y operación de posibles implementaciones de sistemas, métodos y productos de programas informáticos según diversas formas de realización de la presente invención. A este respecto, cada bloque del diagrama de flujo o de los diagramas de bloques puede representar un módulo, segmento o porción de instrucciones, que comprende una o más instrucciones ejecutables para implementar la(s) función(es) lógica(s) especificada(s). En algunas implementaciones alternativas, las funciones indicadas en el bloque pueden ocurrir fuera del orden indicado en las figuras. Por ejemplo, dos bloques mostrados en sucesión pueden, de hecho, ejecutarse sustancialmente de forma concurrente, o los bloques pueden a veces ejecutarse en el orden inverso, dependiendo de la funcionalidad implicada. También se observará que cada bloque de los diagramas de bloques y/o diagramas de flujo, y combinaciones de bloques en los diagramas de bloques y/o diagramas de flujo, pueden ser implementados por sistemas basados en hardware de propósito especial que realizan las funciones o actos especificados o llevan a cabo combinaciones de hardware de propósito especial e instrucciones informáticas. Aunque la divulgación se proporciona en detalle en relación con sólo un número limitado de formas de realización, debe entenderse fácilmente que la divulgación no se limita a tales formas de realización divulgadas. Además, aunque se han descrito diversas formas de realización de la divulgación, debe entenderse que la(s) forma de realización(es) ejemplar(es) puede(n) incluir sólo algunos de los aspectos ejemplares descritos. En consecuencia, la divulgación no debe considerarse limitada por la descripción anterior, sino únicamente por el alcance de las reivindicaciones adjuntas.

Claims

REIVINDICACIONES

1. Un vehículo (22) para inspeccionar un carril (30), en donde el vehículo (22) comprende:

sensores de inspección de carriles (36, 38) configurados para capturar datos de transductores que describen el carril (30);

un procesador (1405) configurado para:

recibir los datos del transductor; y

procesar los datos de transductor capturados para determinar si los datos de transductor capturados identifican un presunto defecto del carril, en donde el procesamiento comprende:

introducir los datos de transductor capturados como un flujo de secuencias superpuestas en una forma adecuada para un sistema de aprendizaje automático (400) que ha sido entrenado para identificar patrones en los datos de transductor que indican defectos del carril, comprendiendo el sistema de aprendizaje automático (400) una red neuronal convolucional de aprendizaje profundo para realizar el reconocimiento de patrones de imagen que se combina con una red neuronal recurrente de memoria a corto plazo larga para identificar defectos del carril (30) de longitud indeterminada; y

recibir una salida del sistema de aprendizaje automático (400), indicando la salida si los datos del transductor capturados identifican un presunto defecto del carril; y

transmitir una alerta a un operador del vehículo (22) basándose al menos en parte en la salida que indica que los datos del transductor capturados identifican un presunto defecto en el carril, en donde la alerta incluye una ubicación del presunto defecto en el carril e indica al operador que detenga el vehículo (22) y realice una acción de reparación, en donde el flujo de secuencias superpuestas comprende una secuencia de imágenes bidimensionales superpuestas.

2. El vehículo de acuerdo con la reivindicación 1, que comprende además una cámara (510) para capturar una imagen de cámara de la ubicación, en donde la alerta incluye la imagen de cámara.

3. El vehículo de acuerdo con la reivindicación 1, en donde la salida se transmite, a través de una red (1465), a un dispositivo de almacenamiento remoto (722) o a un procesador remoto (732).

4. El vehículo de acuerdo con la reivindicación 1, en donde los sensores de inspección de carriles (36, 38) incluyen uno o más de un transductor ultrasónico (48), un transductor de inducción (36) y un transductor de corrientes parásitas.

5. Un método para inspeccionar un carril (30), en donde el método comprende los siguientes pasos:

recepción de datos de transductor procedentes de sensores de inspección de carril (36, 38) montados en un vehículo (22, 724) que está situado sobre el carril (30);

procesar los datos del transductor para identificar ubicaciones de presuntos defectos del carril en el carril, en donde el procesamiento comprende:

introducir los datos del transductor como un flujo de secuencias superpuestas en una forma adecuada para un sistema de aprendizaje automático (400) que ha sido entrenado para identificar patrones en los datos del transductor que indican defectos del carril, comprendiendo el sistema de aprendizaje automático (400) una red neuronal convolucional de aprendizaje profundo para realizar el reconocimiento de patrones de imagen que se combina con una red neuronal recurrente de memoria a corto plazo larga para identificar defectos del carril de longitud indeterminada; recibir una salida del sistema de aprendizaje automático (400), incluyendo la salida una lista de presuntos defectos del carril y sus correspondientes ubicaciones en el carril (30);

auditar al menos una de las redes neuronales convolucionales de aprendizaje profundo o la red neuronal recurrente de memoria a corto plazo para identificar al menos un falso positivo o un falso negativo, comparando la salida del sistema de aprendizaje automático (400) con la salida de un analista humano;

ajustar al menos una de las redes neuronales convolucionales de aprendizaje profundo en la red neuronal recurrente de memoria a corto plazo basada en al menos uno de los falsos positivos o falsos negativos; e

iniciar una acción de reparación basada en la lista de presuntos defectos del carril.

6. El método de acuerdo con la reivindicación 5, en donde los datos del transductor incluyen imágenes.

7. El método de acuerdo con la reivindicación 6, en donde la introducción de los datos del transductor incluye la transmisión de imágenes superpuestas.

8. El método de acuerdo con la reivindicación 5, en donde los sensores de inspección de carriles incluyen transductores ultrasónicos (48).

9. El método de acuerdo con la reivindicación 5, en donde los sensores de inspección de carriles incluyen transductores de inducción (36).

10. El método de acuerdo con la reivindicación 5, en donde los sensores de inspección de carriles incluyen transductores de corrientes parásitas.

11. El método de acuerdo con la reivindicación 5, en donde el paso de recepción es de un solicitante a través de una red (1465) y el método comprende además enviar la lista de presuntos defectos del carril al solicitante.

12. El método de acuerdo con la reivindicación 5, en donde los pasos de procesamiento e iniciación son realizados por un procesador (726) situado en el vehículo (724).

13. El método de acuerdo con la reivindicación 5, que comprende, además, realizar la acción de reparación, comprendiendo la acción de reparación realizar una verificación de uno de los defectos de carril sospechosos utilizando un sensor de mano.

14. Un sistema (1400) para inspeccionar un carril (30), en donde el sistema (1400) comprende:

una memoria (1412) que tiene instrucciones legibles por computadora; y

uno o más procesadores (1405) para ejecutar las instrucciones legibles por computadora, en donde las instrucciones legibles por computadora controlan el uno o más procesadores (1405) para realizar operaciones que comprenden: recibir datos de transductor de sensores de inspección de carril (36, 38) montados en un vehículo que está situado sobre el carril (30);

procesar los datos del transductor para identificar ubicaciones de presuntos defectos en el carril (30), en donde el procesamiento comprende los siguientes pasos:

introducir los datos del transductor como un flujo de secuencias superpuestas en una forma adecuada para un sistema de aprendizaje automático (400) que ha sido entrenado para identificar patrones en los datos del transductor que indican defectos del carril, en donde el sistema de aprendizaje automático (400) comprende una red neuronal convolucional de aprendizaje profundo para realizar el reconocimiento de patrones de imagen que se combina con una red neuronal recurrente de memoria a corto plazo para identificar defectos del carril de longitud indeterminada; recibir una salida del sistema de aprendizaje automático (400), que incluya una lista de presuntos defectos del carril y sus ubicaciones correspondientes en el carril (30);

15. Un medio de almacenamiento legible por computadora (1412) que tiene almacenado en el mismo un producto de programa informático para inspeccionar un carril (30), en donde dicho producto de programa informático tiene instrucciones de programa incorporadas en el mismo, las instrucciones de programa ejecutables por un procesador (1405) para hacer que el procesador (1405) realice operaciones que comprenden:

recibir datos de transductor de sensores de inspección de carril (36, 38) montados en un vehículo (22) que está situado en el carril (30);

procesar los datos del transductor para identificar ubicaciones de presuntos defectos del carril en el carril, en donde el procesamiento comprende los siguientes pasos:

introducir los datos del transductor como un flujo de secuencias superpuestas en una forma adecuada para un sistema de aprendizaje automático (400) que ha sido entrenado para identificar patrones en los datos del transductor que indican defectos del carril, en donde el sistema de aprendizaje automático (400) comprende una red neuronal convolucional de aprendizaje profundo para realizar el reconocimiento de patrones de imagen que se combina con una red neuronal recurrente de memoria a corto plazo para identificar defectos del carril de longitud indeterminada; recibir una salida del sistema de aprendizaje automático (400), que incluya una lista de presuntos defectos del carril y sus ubicaciones correspondientes en el carril;