A medida que los sensores LiDAR continúan evolucionando, ahora se encuentran en espacios que tradicionalmente usaban sólo sensores de imágenes debido al costo de recolección. Estos sensores LiDAR ahora son lo suficientemente pequeños como para volar en un DJI PRO, o lo suficientemente compactos para acoplarse rápidamente al frente de una locomotora y colectar a medida que un tren toma su ruta normal. Esto abre una nueva posibilidad de analizar la invasión de vegetación a lo largo de un corredor ferroviario desde el centro ferroviario a nivel del suelo, visualizaciones detalladas con espacio libre en túneles, y un nuevo medio para poder administrar los activos y sus elevaciones.
Utilizando nuestros años de amplio conocimiento de Deep Learning, el equipo de Harris se propuso crear un modelo que nos permitiera identificar automáticamente los activos a lo largo de esta línea específica, como postes de energía, señales de luz, gabinetes y otros activos vinculados a la señalización. A medida que el clasificador recorrió el conjunto de datos, nos permitió construir un mapa de calor de dónde estaban los activos a lo largo del corredor ferroviario, con una alta precisión de ubicación.
A partir del mapa de calor, creamos nuestros archivos Shape que se muestran en el conjunto de datos original donde podemos visualizar la precisión de los puntos.
Junto con la visualización de estos activos en el conjunto de datos, coloreamos nuestros puntos por altura, lo que proporciona una visión no solo de la altura de los activos sino también de las entidades a lo largo del corredor, como árboles, que podrían ser motivo de preocupación.
.jpg)
Estos resultados finales también se pueden fusionar con imágenes, lo que brinda una mayor confianza en la precisión de la ubicación determinada para tus activos, y también proporciona una perspectiva única del corredor para la planificación.
Aunque este caso de uso específico se centró en identificar los activos a lo largo de un corredor ferroviario, el mismo conjunto de datos LiDAR se puede utilizar para ejecutar análisis adicionales, como extraer automáticamente líneas ferroviarias a través de la herramienta de Harris “Automated Rail Extraction”, determinar los peligros debido a vegetación cerca de estas líneas y modelar la elevación y pendiente a lo largo del corredor ferroviario.
A medida que los sensores continúan evolucionando en su tamaño y flexibilidad, esta fuente de datos en maduración permitirá a los ferrocarriles obtener perspectivas únicas, que les facilitarán no solo tener un recuento más preciso de los activos, sino también ejecutar análisis predictivos para ayudar a reducir los costos de mantenimiento.
Este es solo un ejemplo de lo que la tecnología de procesamiento de imágenes de L3HARRIS puede hacer para un caso concreto de la industria. Si quieres saber más acerca de lo que L3HARRIS y ENVI pueden hacer por tu industria, escríbenos a info@telematica.com.pe
Joey Griebel
comentarios
0