|
Швидкий розвиток
штучного інтелекту (ШІ) та відеоаналітики переосмислює ландшафт
залізничного спостереження. За даними Міжнародного союзу залізниць (МСЗ),
досягнення сприяли проактивному виявленню подій, прогнозному
технічному обслуговуванню та підвищенню ситуаційної обізнаності
[1].
Більше того, глобальне
прагнення до безпілотних поїздів підвищує важливість бортових систем
відеоспостереження, які тепер повинні обробляти дані високої
роздільної здатності, кіберзагрози та складний аналіз даних. Тут
індивідуальні рішення, що охоплюють масштабовану інфраструктуру,
стратегічне розгортання камер та передові засоби кібербезпеки,
прокладають шлях для розумніших, безпечніших та пов’язаних
залізничних екосистем..
Як бортове відеоспостереження трансформує залізничні
перевезення?
Автономні поїзди, здатні самостійно «бачити», «думати» та «діяти»,
стимулюють попит на інтелектуальні системи відеоспостереження.
Сучасні бортові системи відеоспостереження виходять за рамки
простого спостереження; ці системи інтегрують передові обчислювальні
можливості в роботу поїзда. Багато програм часто використовують IP-камери
з периферійними обчисленнями та централізованими платформами для
розподілу основних функцій, що дозволяє ефективно обробляти дані
поблизу джерела. Ці системи використовують локальний аналіз
відеопотоку в режимі реального часу та розподілену обробку для
безперебійної роботи, навіть у віддалених або високошвидкісних
ситуаціях. Тим часом, безперебійний зв'язок між поїздом та землею,
що забезпечується цими інтелектуальними платформами, підвищує планку
безпеки, експлуатаційної ефективності та системної інтеграції в
рамках підключених залізничних екосистем. Ця трансформація змінює
роль бортових систем відеоспостереження в кількох ключових аспектах::
Відео в режимі реального часу та негайне реагування:
потокове відео в режимі реального часу забезпечує такі критично
важливі функції, як передача відео з поїзда на землю, відео на
вимогу, сповіщення про тривогу та попередній запис, що сприяє
своєчасному прийняттю рішень під час операцій.
Покращення спостереження за допомогою
інтелектуальної відеоаналітики (IVA) та штучного інтелекту:
відеоаналітика на базі штучного інтелекту в бортових системах
відеоспостереження дозволяє аналізувати зображення, видобувати дані
та проводити прогнозне обслуговування, тим самим підвищуючи
надійність та ефективність експлуатації. Наприклад, камери високої
роздільної здатності з периферійною аналітикою на основі штучного
інтелекту можуть самостійно виявляти аномальну поведінку пасажирів
або перешкоди на коліях, мінімізуючи залежність від централізованої
обробки.
Розслідування після інцидентів:
Бортові системи відеоспостереження сприяють резервному копіюванню та
вивантаженню відео, дозволяючи операторам переглядати записані
матеріали під час розслідувань після інциденту.
Пілотні програми для інтелектуальних
систем спостереження на базі штучного інтелекту вже реалізуються в
багатьох країнах, наприклад, в Австралії [2]
та Великій Британії [3] . Це означає, що
залізнична галузь переживає суттєвий перехід до розумніших,
взаємопов'язаних технологій спостереження. Незважаючи на це, ми все
ще стикаємося з проблемами, які необхідно вирішити до повного
впровадження.
Проблеми галузі
1. Складність відеоаналітики
Відеоаналітика на основі штучного інтелекту в
залізничних системах створює значні проблеми через динамічний та
різноманітний характер відеоконтенту:
Внутрішні камери: Складність у розрізненні важливих
подій від неважливих у переповнених пасажирських салонах.
Зовнішні камери: Для зйомки швидкорухомих пейзажів зі
швидкістю понад 150 км/год необхідні алгоритми обробки швидких змін
та мінімізації розмиття руху.
Порівняно із загальним відеоспостереженням, складні відеосценарії в
системах відеоспостереження на борту залізниць ускладнюють
впровадження відеоаналітики на основі штучного інтелекту.
2. Висока пропускна здатність та вимоги до
сховища
Збільшення кількості пасажирів
залізницею та занепокоєння щодо безпеки призвели до значного
зростання попиту на кращі зображення та повніше покриття камерами.
Досягнення в технології роздільної здатності відео революціонізували
спостереження, перейшовши від 720p до 1080p, і тепер досягши
вражаючої чіткості 4K, що дозволяє здійснювати моніторинг високої
чіткості з меншою кількістю сліпих зон та більшою деталізацією
Однак, цей стрибок у візуальній
чіткості має свої недоліки. Величезний масштаб даних з відео високої
роздільної здатності створює значні операційні труднощі. Наприклад,
роздільна здатність 4K генерує приблизно в чотири рази більше даних,
ніж 1080p, що призводить до значно більших відеопотоків, які значно
навантажують пропускну здатність та ресурси зберігання. Існуючі
мережеві та сховищні рішення стикаються з дедалі більшими труднощами
в ефективному управлінні цими вимогами.
3. Конвергенція та безпека мережі
Після прийняття IEC 61375 залізничні системи тепер зазвичай
використовують конвергентну мережу для системи керування поїздами (TCSM)
та бортової мультимедійної та телематичної підсистеми (OMTS). Ця
інтеграція означає, що системи відеоспостереження спільно
використовують магістральні мережі Ethernet з іншими бортовими
системами, що підвищує ставки для кібербезпеки та управління
пропускною здатністю.
Індивідуальні рішення для
вирішення проблем залізничного спостереження
1. Стратегічне розгортання камер
Розширення застосувань штучного інтелекту в Інтернеті речей та
різноманітні потреби у спостереженні зумовлюють попит на збільшення
кількості камер у поїздах. Крім того, для різних умов встановлення
потрібні різноманітні камери:
Денно-нічні камери з вбудованими ІЧ-прожекторами для кабін водія.
Високошвидкісні камери для отримання чіткого зображення в умовах
швидкої зміни об'єктів.
Міцні вуличні камери, що витримують екстремальні умови.
2.
Впровадження відео високої роздільної здатності.
Відеоспостереження спрямоване на отримання чітких зображень на
широких відстанях та великих відстанях. Завдяки швидкозростаючим
технологіям об'єктивів та датчиків зображення, відео з дедалі вищою
роздільною здатністю стають доступними, незалежно від можливостей
апаратного чи програмного забезпечення. Очікується, що бортові
системи відеоспостереження стандартизуватимуть вищу роздільну
здатність для покращеної деталізації. Наприклад, роздільна здатність
4K (3840 x 2160) стала мейнстрімом у моніторах та відеодисплеях.
3. Масштабована пропускна здатність та рішення для зберігання даних
Тенденція до вищої роздільної здатності зображення у вбудованих
камерах відеоспостереження підтримується зростаючою доступністю
гігабітних мережевих систем, комутаторів з розширеними можливостями
керування пропускною здатністю та великих ємностей для зберігання
даних (наприклад, жорсткий диск на 10 ТБ або хмарне сховище). Відео
високої роздільної здатності споживає значно більше пропускної
здатності та місця для зберігання, ніж формати з нижчою роздільною
здатністю. Доступні гігабітні мережі в поєднанні з комутаторами, які
забезпечують надійну пріоритизацію трафіку для забезпечення
безперебійної передачі відеоданих, роблять можливими системи
відеоспостереження високої роздільної здатності. Завдяки цим
досягненням вимоги до пропускної здатності камер відеоспостереження
високої роздільної здатності тепер є керованими, що забезпечує
надійну роботу мережі.
4. Комплексні рішення з кібербезпеки.
Інтегруючи системи відеоспостереження в конвергентні мережі,
залізничні оператори надають пріоритет заходам кібербезпеки, що
відповідають стандартам IEC 61375. Впровадження IEC 62443 з його
детальними рекомендаціями щодо захисту систем промислової
автоматизації та управління все більше доповнює ці заходи.
Комутатори та маршрутизатори є важливими для цієї архітектури,
утворюючи основу для задоволення потреб у високій пропускній
здатності та забезпечуючи безперебійний зв'язок між камерами
відеоспостереження та іншими ключовими бортовими системами.
Інтеграція передових функцій кібербезпеки — автентифікації пристроїв,
контролю доступу та моніторингу трафіку в режимі реального часу —
безпосередньо в комутатори дозволяє операторам створювати більш
стійкі мережеві інфраструктури. Впровадження таких стратегій, як
архітектура нульової довіри та виявлення вторгнень на основі
штучного інтелекту, додатково захищає всю систему від кіберзагроз,
що постійно розвиваються. Такий цілісний підхід зміцнює цілісність
та надійність бортових систем, захищаючи як фізичні, так і цифрові
активи залізничних мереж.
Висновок
Метою більшості постачальників автомобілів у сучасних автомобільних
технологіях є розробка повністю безпілотних транспортних засобів
5-го рівня. Зображення в режимі реального часу з камер транспортних
засобів є ключовими факторами для систем відеоаналітики на основі
штучного інтелекту, що забезпечує негайні інструкції та рішення щодо
водіння. Ми можемо очікувати зростання попиту на більше камер, відео
високої роздільної здатності та надійніші мережеві рішення в міру
розвитку цієї технології.
Інтеграція передових систем відеоспостереження – це більше, ніж
просто технологічне оновлення, це фундаментальний зсув до пов’язаної,
інтелектуальної залізничної екосистеми. Співпраця між
постачальниками залізничного обладнання, системними інтеграторами,
операторами та регуляторами матиме вирішальне значення для
реалізації бачення інтелектуальної залізничної екосистеми. Маючи
понад 15 років досвіду на ринку цифрових залізничних систем, Moxa
розробляє бортові камери відеоспостереження 4K та рішення для
відеоаналітики на базі штучного інтелекту для покращення
залізничного спостереження.
Для отримання додаткової інформації відвідайте мікросайт Moxa,
присвячений бортовим системам відеоспостереження
[1] Шлях
до залізничних компаній, що використовують штучний інтелект ,
UIC, 2024
[2] Ipsotek
виграє контракт на безпеку станцій у Сіднеї ,
Railway PRO, 2021
[3] Британська
мережа залізниць продовжує випробування штучного інтелекту ,
Railway Technology, 2024 |
