Mijlpaal: AI vindt scheuren in dwarsliggers

Scheuren in beton

Sinds 2021 werkt ProRail samen met experts van Valcon aan beeldherkenningsmodellen die spooronderdelen niet alleen kunnen herkennen op foto’s, maar ook hun conditie beoordelen. In november lieten we deze AI-toepassing voor het eerst los op al onze NS90-dwarsliggers. Betonnen NS90-dwarsliggers zijn sinds de jaren ‘90 geplaatst. Inmiddels liggen er miljoenen exemplaren door heel het land. Deze dwarsliggers hebben een geschatte levensduur van zo’n 50 jaar. Veel ervan 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 verschillende dwarsliggers achter elkaar niet meer goed functioneren, dan moeten ze vervangen worden.

Handmatig een monsterklus

Twee keer per jaar wordt al het spoor in Nederland op beeld vastgelegd, door zogenaamde videoschouwtreinen. Al dit beeldmateriaal met de hand inspecteren is een onhaalbare monsterklus; het kost naar schatting minimaal 17 fte om alle NS90-dwarsliggers door mensen te controleren op scheuren. 

Het beeldherkenningsmodel

Voor dit soort grootschalige inspecties ontwikkelde en trainden we dus een beeldherkenningsmodel. Om te ‘leren’ heeft het model veel voorbeelden van scheuren nodig. Omdat er niet veel locaties van gescheurde dwarsliggers bekend waren, begonnen we met een kleine verzameling voorbeelden. 

Het model werkte niet direct optimaal: het herkende niet alleen scheuren, maar zag ook 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 wordt een AI- model door training steeds accurater.

Het nieuwste model kan met hoge precisie (>95 procent) scheuren detecteren en bovendien een inschatting doen van de dikte van de scheur. Dit laatste is belangrijk omdat alleen scheuren van minstens drie millimeter breed een dwarsligger niet-functioneel maken. Uiteraard gaan de beelden van scheuren nog langs het kennersoog van onze inspecteurs.

Veiligheid

De 95 procent precisie betekent dat van de 100 beelden die het algoritme aanlevert, er op 95 inderdaad een scheur te zien is. De andere 5 beelden levert het model onterecht aan. Daar ligt bijvoorbeeld een takje of kabel op de dwarsligger. Bijvangst dus, maar geen veiligheidsrisico. Uit steekproeven blijkt dat ons model zelden een scheur mist. Sterker: 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 ons spoor veiliger door deze werkwijze.

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 tonen we niet alleen aan 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  meten, 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 kunnen we inspectie- en onderhoudscapaciteit op korte en lange termijn efficiënter inzetten.