ProRail en Valcon werken samen aan slimme beeldherkenning op het spoornetwerk
Als spoorwegbeheerder laat ProRail ieder half jaar beeldopnames maken om de staat van het Nederlandse spoor vast te leggen. Maar hoe controleer je vervolgens al die miljoenen foto’s, verspreid over duizenden kilometers aan spoor, op een efficiënte en accurate manier?
Jarenlang werden dit soort inspecties met de hand gedaan. Tientallen vakspecialisten hielden zich hiermee bezig. Sinds 2021 werkt ProRail samen met experts van Valcon aan een nieuwe manier waarbij technologie – slimme beeldherkenningsalgoritmes – een groot deel van het werk uit handen neemt. Deze algoritmes kunnen spooronderdelen niet alleen automatisch herkennen, maar ook hun conditie beoordelen.
De impact van slimme beeldherkenningsalgoritmes is groot. In november 2024 heeft ProRail bijvoorbeeld voor het eerst alle NS90-dwarsliggers in Nederland geïnspecteerd op scheuren – in slechts 11 dagen. Met dit soort snelle, grootschalige inspecties worden problemen eerder opgespoord en wordt het spoor veiliger en beter bereikbaar.
Scheuren in beton
NS90-dwarsliggers zijn betonnen dwarsliggers die sinds de jaren 90 zijn geplaatst. Inmiddels liggen er miljoenen exemplaren door heel Nederland. De meesten hebben een geschatte levensduur van ongeveer 50 jaar en zijn dus inmiddels halverwege hun levensduur. Na verloop van tijd kunnen scheuren ontstaan in deze betonnen dwarsliggers. Als deze scheuren te groot worden, functioneert de dwarsligger niet meer naar behoren.
Eén niet-functionele dwarsligger is niet direct een probleem. Maar als veel dwarsliggers achter elkaar niet meer goed functioneren, dan moeten ze vervangen worden.
In Nederland liggen zo’n 5 miljoen NS90-dwarsliggers, verspreid over bijna 3.000 kilometer spoor en vastgelegd op ruim 9 miljoen afbeeldingen van videoschouwtreinen. Al dit beeldmateriaal met de hand inspecteren is een onhaalbare monsterklus: het kost naar schatting minimaal 17 fte aan menselijke inspectie-uren. Met AI werd de klus in slechts 11 dagen geklaard.
Het beeldherkenningsmodel
De ontwikkeling van het beeldherkenningsmodel was een iteratief proces, waarin het model stap voor stap werd verbeterd naar aanleiding van eerder gemaakte fouten. Om het model te ‘leren’ scheuren te herkennen, zijn eerst veel voorbeelden van scheuren nodig, gelabeld met de hand. Omdat er niet veel locaties van gescheurde dwarsliggers bekend waren, begonnen ProRail en Valcon met een kleine verzameling voorbeelden.
Het model werkte niet direct optimaal: het herkende niet alleen scheuren, maar zag ook veel takjes, kabels en malafdrukken aan voor scheuren. Maar met de uitkomsten van het eerste model kwamen er meer voorbeelden van scheuren naar voren, waarmee het model opnieuw getraind werd. Zo werd het AI-model door zorgvuldige training steeds accurater.
Het nieuwste model kan met hoge precisie scheuren detecteren en bovendien een inschatting maken van de dikte van de scheur. Dit laatste is belangrijk omdat alleen scheuren van minstens drie millimeter breed een dwarsligger niet-functioneel maken. De beelden van gevonden scheuren gaan tot slot langs het kennersoog van de ProRail-inspecteurs, die bepaalt wat een passende vervolgactie is.
De gevonden scheuren worden visueel weergegeven op een interactieve kaart van Nederland, inclusief foto’s en relevante informatie. Zo is voor inspecteurs in één oogopslag duidelijk waar veel scheuren liggen en extra inspectie (of zelfs vervanging) plaats moet vinden.
Veiligheid
De inzet van AI voor inspectie van belangrijke infrastructuur roept, terecht, vragen op over de betrouwbaarheid van dit soort algoritmes. Want wat als het algoritme een scheur over het hoofd ziet? Uit steekproeven blijkt gelukkig dat het model zelden een scheur mist. Sterker nog: het algoritme herkent dunne scheuren die voor het menselijk oog moeilijk zichtbaar zijn.
En mocht het model een scheur missen, dan is dat niet direct een veiligheidsrisico. Daarvan is pas sprake als er minimaal vijf scheuren op rij gemist worden, en die kans is nagenoeg nul. Al met al wordt het spoor veiliger door deze werkwijze, zeker als je bedenkt dat inspectie met de hand niet haalbaar is, of op zijn minst veel langer duurt.
Ook de precisie van het algoritme is hoog: van alle scheuren die het algoritme denkt te herkennen, is ruim 95% ook daadwerkelijk een scheur. Op overige beelden ligt bijvoorbeeld een takje of kabel. Een kleine bijvangst dus, maar geen veiligheidsrisico. Deze ‘vals positieven’ worden achteraf door de inspecteur gefilterd.
Hoe verder?
Deze grootschalige inspectie op scheuren was waarschijnlijk geen eenmalige campagne. Het beeldherkenningsmodel maakt het mogelijk om nu regelmatig en snel dit soort analyses uit te voeren. Hiermee wordt niet alleen aangetoond welke dwarsliggers vervangen moeten worden, maar ook waar het spoor nog veilig is en dwarsliggers juist langer kunnen blijven liggen.
Daarnaast opent het model nieuwe mogelijkheden voor zogeheten predictive maintenance: als we de hoeveelheid en dikte van scheuren meermaals meten over tijd, kunnen we zien hoe snel dwarsliggers degenereren.
Dit helpt om oorzaken van scheurvorming beter te begrijpen, en preciezere voorspellingen te doen over de verwachte levensduur van dwarsliggers. Zo kan ProRail inspectie- en onderhoudscapaciteit op korte en lange termijn efficiënter inzetten.
