Les CFF recourent à l'intelligence artificielle pour vérifier les voies ferrées
Afin de s’assurer du bon fonctionnement des chemins de fer, les CFF collaborent avec le CSEM de Neuchâtel. Ensemble, ils recourent au deep learning pour analyser des milliers d’images photographiées par des trains de diagnostic, qui parcourent les voies ferrées à la recherche d’éventuels défauts.
Les CFF et le Centre suisse d'électronique et de microtechnique de Neuchâtel (CSEM) s’associent pour «transposer» à l’aide de l’intelligence artificielle (IA) l’œil averti des inspecteurs des voies dans un logiciel. Dans un article publié dans Bulletin SEV/VSE, revue spécialisée dans le domaine de l'électrotechnique et de l'industrie électrique, les CFF expliquent que ce sont normalement une cinquantaine d’inspecteurs qui parcourent à pied les 3000 km de voies ferrées et les vérifient visuellement, détectant près de 23’000 anomalies par année. Depuis quelques années, les CFF utilisent également des véhicules de diagnostics équipés de 18 caméras. Chaque kilomètre parcouru livre environ 10 GB de données sous forme d’images.
Des données qui varient fortement
Contrairement aux contrôles effectués dans un environnement hermétique et stable, telle une usine, les conditions d’observations varient fortement pour les rails. Celles-ci dépendent de la météo, de l’environnement (tunnel, gare, etc.), des déchets encombrants et du type de matériel utilisés. Les CFF expliquent qu’avec autant de facteurs et de variations, les algorithmes classiques sont dépassés, d'autant plus que les défauts peuvent varier grandement selon leur forme, leur texture ou leur ombrage. Le nouveau logiciel développé par le CSEM vient pallier ces limitations en faisant appel au deep learning.
Plusieurs types de défauts
Les images photographiées par les trains de diagnostic sont désormais standardisées et réparties selon l’environnement de la prise de vue. L’étape suivante consiste à repérer les anomalies (saletés, défauts de soudures, etc.) et à les classer selon leur dangerosité. Un chewing-gum collé ne représente par exemple pas le même risque qu’une cavité à l’intérieur du rail, qui doit être traitée rapidement. Enfin, chaque défaut se voit associé à une «empreinte digitale» de manière à en faire le suivi lors de chaque passage du train de diagnostic.
Le processus de traitement des données
L’être humain reste plus fiable que l’IA
Bien qu’elle soit déjà très fiable, il n’est pas encore possible de s’appuyer sur l’IA en raison des règlements fédéraux de sécurité et chaque décision finale reste du ressort d’un humain, expliquent les CFF. Selon eux, cette évaluation automatique devrait pourtant bientôt se montrer indispensable car l’inspection manuelle des voies devient toujours plus difficile, notamment aux heures de pointe en raison des trains qui circulent à des cadences de plus en plus élevées.
Démarré il y a deux ans, le projet est encore en évaluation, mais soulève déjà l’enthousiasme chez l’entreprise ferroviaire: «la solution du CSEM améliore le taux de détection d’un facteur 10 et réduit en outre les fausses alertes de 50% en plein air et de 95% dans les tunnels». Les CFF expliquent avoir pour objectif ultime d’utiliser ce logiciel dans un système de surveillance embarqué à bord de chaque train.
