METODE PENINGKATAN KESELAMATAN PERLINTASAN REL KERETA API
Yusron Sayoga (Situs Tentang Kereta Api) - Kecerdasan buatan (AI) dan pembelajaran mesin semakin banyak diterapkan pada beberapa masalah paling sulit yang dihadapi operator kereta api, dan salah satu yang paling menjanjikan adalah pemantauan penyeberangan level. Karsten Oberle, Kepala Rel, Segmen Transportasi di Nokia Enterprise. Dalam artikel kali ini situs www.yusronsaoyga.com akan membahas tentang Metode untuk meningkatkan keamanan penyeberangan rel dengan kecerdasan buatan. Penasaran? Scroll terus artikelnya ya!
Meningkatkan keamanan penyeberangan rel dengan kecerdasan buatan
Ada alasan bagus untuk kegembiraan seputar aplikasi analitik video, AI, dan pembelajaran mesin untuk meningkatkan keamanan di penyeberangan level. Dari 2009-2018, A.S. Federal Rail Administration (FRA) melaporkan rata-rata lebih dari 900 cedera dan 250 kematian di perlintasan kereta api setiap tahun. Di Uni Eropa pada 2018, Eurostat melaporkan bahwa ada 447 kecelakaan di perlintasan sebidang, yang juga menjadi penyebab lebih dari satu dari empat kematian di KA.
Selama beberapa tahun ini, operator kereta api telah menggunakan kamera CCTV untuk memantau perlintasan sebidang dan bagian lain dari infrastruktur mereka untuk mengurangi insiden dan meningkatkan keselamatan publik dan karyawan. Namun, tantangan dengan video adalah sering kali mengharuskan seseorang untuk terus menonton umpan untuk mendeteksi anomali keamanan. Namun, tidak mengherankan, operator manusia dapat mengembangkan 'kebutaan video', dan setelah periode waktu yang relatif singkat memantau beberapa umpan video, mereka dapat gagal melihat insiden yang direkam kamera.
Sebuah studi oleh Transportation Research Record pada tahun 2018 melihat penggunaan AI dalam analitik video untuk perkeretaapian dan menemukan bahwa itu dapat secara signifikan mengurangi upaya melelahkan yang diperlukan untuk memproses data video dari CCTV dan akan mengurangi efek 'buta video' pada operator, sehingga meningkatkan kesejahteraan dan kualitas pekerjaan mereka. Yang terpenting, ini dapat dengan benar mendeteksi peristiwa nyaris terjadi yang terkait dengan pelanggaran tidak aman di perlintasan kereta api, yang pada gilirannya dapat mengarah pada pengembangan teknologi perlintasan sebidang yang lebih aman.
Sebuah studi oleh Transportation Research Record pada tahun 2018 melihat penggunaan AI dalam analitik video untuk perkeretaapian dan menemukan bahwa hal itu dapat secara signifikan mengurangi upaya melelahkan yang diperlukan untuk memproses data video dari CCTV dan akan mengurangi efek 'buta video' pada operator. Salah satu alasan penerapan video analytics sangat menjanjikan adalah karena CCTV telah diadopsi secara luas oleh industri. Akibatnya, analitik video memiliki potensi untuk mengubah sumber daya yang tersedia hampir secara universal - kamera CCTV terpasang - dan mengubahnya menjadi sensor IoT mutakhir dengan biaya yang relatif rendah bagi operator.
Langkah maju yang besar dalam pengembangan analitik video adalah dengan menerapkan pembelajaran mesin untuk mendeteksi anomali ini dalam aliran video tanpa pengawasan manusia, dan kemudian memberi tahu personel kereta api tentang kemungkinan adanya masalah. Selain itu, beberapa sistem juga dilengkapi fitur deteksi objek untuk mengenali jika anomali tersebut adalah mobil atau orang, yang dapat membantu mempercepat tindakan pencegahan keselamatan. Pendekatan baru yang lebih berhasil ini melibatkan pelatihan perangkat lunak analitik - algoritme - untuk memahami seperti apa penyeberangan level kosong, dan kemudian membuatnya hanya bereaksi terhadap perubahan terhadap pola yang diketahui dan tidak berubah itu.
Setelah penghalang ditutup, setiap perubahan pada pola video digital dari 'trek kosong' kemudian diperlakukan sebagai 'peristiwa', yang dapat memicu peringatan kepada operator manusia untuk meninjau rekaman tersebut. Saat operator meninjau rekaman video yang tidak wajar, mereka dapat mengambil tindakan jika diperlukan. Dalam pendekatan ini, mesin AI tidak harus sepintar manusia, ia hanya perlu melakukan pekerjaan yang membosankan untuk memantau 99,9 persen aliran video ketika tidak ada yang benar-benar terjadi. Seiring waktu dan ribuan jam menganalisis rekaman, algoritme dapat dilatih untuk mengenali pola yang tidak memerlukan peringatan, seperti hujan atau salju, dedaunan, dan peristiwa lingkungan normal lainnya. Personil dapat menandai rekaman semacam ini sehingga perangkat lunak mendapatkan umpan balik yang konstan untuk meningkatkan kemampuannya dan mengurangi jumlah positif palsu.
Solusi analisis video semacam ini juga menyederhanakan analisis forensik insiden, termasuk mengidentifikasi kejadian nyaris celaka. Perangkat lunak dapat dengan mudah diinstruksikan untuk membuang atau arsipkan semua rekaman yang sesuai dengan tampilan normal adegan, yang tidak hanya secara drastis mengurangi jumlah penyimpanan video yang diperlukan, tetapi juga mengurangi jumlah rekaman yang harus ditinjau oleh tim forensik. Karena data semacam itu dikumpulkan dari ratusan ribu perlintasan sebidang, tidak sulit untuk membayangkan bahwa pelajaran yang didapat akan menghasilkan keselamatan yang jauh lebih besar bagi publik dan penghematan operasional yang besar bagi operator kereta api. Salah satu operator yang telah menjalankan uji coba pada jenis keselamatan penyeberangan kereta api yang ditingkatkan ini adalah operator kereta api Jepang Odakyu Electric Railway.
Menggunakan kamera CCTV untuk memantau penyeberangan kereta api menggunakan pembelajaran mesin bukan hanya solusi yang futuristik dan tidak terjangkau, melainkan cara praktis di mana sebagian besar operator kereta api dapat dengan mudah meningkatkan keselamatan di perlintasan kereta api saat ini. Dengan pengujian di perlintasan kereta api Tamagawa Gakuenmae No.8 di Kota Machida, Tokyo, Odakyu telah bekerja untuk mendeteksi kejadian abnormal dengan menerapkan AI berbasis pembelajaran mesin ke gambar kamera yang tersedia.
Menganalisis feed gambar yang tersedia yang dihasilkan oleh kamera penyeberangan kereta api konvensional, perangkat lunak dapat mengidentifikasi potensi masalah secara real time. Berjalan pada sumber daya komputasi edge, ini juga dapat sangat mengurangi bandwidth yang dibutuhkan di situs jarak jauh, yang mungkin memiliki konektivitas terbatas. Manfaat utama dari pendekatan analitik video semacam ini adalah kemampuannya untuk menambahkan tingkat keamanan ekstra - selain sistem keamanan yang diterapkan yang ada - dengan mengirimkan peringatan waktu nyata ke sistem eksternal saat aktivitas penting terdeteksi. Hal ini memungkinkan sensor perlintasan kereta api untuk berintegrasi dengan proses operasional yang ada, menambah pengetahuan dan keputusan yang dibuat oleh personel keamanan dan keselamatan, tanpa menggantikannya. Ini juga membantu penerimaan sistem oleh personel operasi.
Akhirnya, karena sistem ini dapat bekerja dengan sebagian besar kamera IP yang ada, dan bahkan kamera yang lebih tua dengan resolusi lebih rendah, mereka tidak memerlukan peningkatan yang mahal ke sistem CCTV HD modern. Ini berarti bahwa menggunakan kamera CCTV untuk memantau perlintasan kereta api menggunakan pembelajaran mesin bukan hanya solusi yang futuristik dan tidak terjangkau, melainkan cara praktis di mana sebagian besar operator kereta api dapat dengan mudah meningkatkan keselamatan di perlintasan kereta api saat ini.
Nokia Karsten OberleKarsten Oberle menerima gelar Dipl.-Ing. (FH) di bidang teknik komunikasi dari University of Applied Sciences 'Fachhochschule für Technik' Mannheim, Jerman, pada tahun 1998. Pada tahun yang sama, saya bergabung dengan Alcatel Research Center di Stuttgart dan bekerja untuk Bell Labs Research di berbagai posisi hingga 2015. Karsten bertindak secara global sebagai Kepala Penjualan Kereta dalam Transportasi di Divisi Nokia Enterprise TEPS (Transportasi, Energi dan Sektor Publik). Sebagai Kepala Perkeretaapian, dia bertanggung jawab untuk mengembangkan bisnis Nokia di sektor perkeretaapian dengan fokus saat ini pada Masa Depan Komunikasi Kereta Api (misalnya FRMCS, 5G), pada keamanan dunia maya untuk perkeretaapian dan IoT & Analytics (Internet of Things) untuk Perkeretaapian. Ini termasuk membangun dan mengelola program penjualan baru, mengarahkan kegiatan pengembangan bisnis global, dan membimbing tim penjualan dan pemasaran regional dalam hal keterlibatan pelanggan. (source: globalrailwayreview.com)
Meningkatkan keamanan penyeberangan rel dengan kecerdasan buatan
Ada alasan bagus untuk kegembiraan seputar aplikasi analitik video, AI, dan pembelajaran mesin untuk meningkatkan keamanan di penyeberangan level. Dari 2009-2018, A.S. Federal Rail Administration (FRA) melaporkan rata-rata lebih dari 900 cedera dan 250 kematian di perlintasan kereta api setiap tahun. Di Uni Eropa pada 2018, Eurostat melaporkan bahwa ada 447 kecelakaan di perlintasan sebidang, yang juga menjadi penyebab lebih dari satu dari empat kematian di KA.
Selama beberapa tahun ini, operator kereta api telah menggunakan kamera CCTV untuk memantau perlintasan sebidang dan bagian lain dari infrastruktur mereka untuk mengurangi insiden dan meningkatkan keselamatan publik dan karyawan. Namun, tantangan dengan video adalah sering kali mengharuskan seseorang untuk terus menonton umpan untuk mendeteksi anomali keamanan. Namun, tidak mengherankan, operator manusia dapat mengembangkan 'kebutaan video', dan setelah periode waktu yang relatif singkat memantau beberapa umpan video, mereka dapat gagal melihat insiden yang direkam kamera.
Sebuah studi oleh Transportation Research Record pada tahun 2018 melihat penggunaan AI dalam analitik video untuk perkeretaapian dan menemukan bahwa itu dapat secara signifikan mengurangi upaya melelahkan yang diperlukan untuk memproses data video dari CCTV dan akan mengurangi efek 'buta video' pada operator, sehingga meningkatkan kesejahteraan dan kualitas pekerjaan mereka. Yang terpenting, ini dapat dengan benar mendeteksi peristiwa nyaris terjadi yang terkait dengan pelanggaran tidak aman di perlintasan kereta api, yang pada gilirannya dapat mengarah pada pengembangan teknologi perlintasan sebidang yang lebih aman.
Sebuah studi oleh Transportation Research Record pada tahun 2018 melihat penggunaan AI dalam analitik video untuk perkeretaapian dan menemukan bahwa hal itu dapat secara signifikan mengurangi upaya melelahkan yang diperlukan untuk memproses data video dari CCTV dan akan mengurangi efek 'buta video' pada operator. Salah satu alasan penerapan video analytics sangat menjanjikan adalah karena CCTV telah diadopsi secara luas oleh industri. Akibatnya, analitik video memiliki potensi untuk mengubah sumber daya yang tersedia hampir secara universal - kamera CCTV terpasang - dan mengubahnya menjadi sensor IoT mutakhir dengan biaya yang relatif rendah bagi operator.
Langkah maju yang besar dalam pengembangan analitik video adalah dengan menerapkan pembelajaran mesin untuk mendeteksi anomali ini dalam aliran video tanpa pengawasan manusia, dan kemudian memberi tahu personel kereta api tentang kemungkinan adanya masalah. Selain itu, beberapa sistem juga dilengkapi fitur deteksi objek untuk mengenali jika anomali tersebut adalah mobil atau orang, yang dapat membantu mempercepat tindakan pencegahan keselamatan. Pendekatan baru yang lebih berhasil ini melibatkan pelatihan perangkat lunak analitik - algoritme - untuk memahami seperti apa penyeberangan level kosong, dan kemudian membuatnya hanya bereaksi terhadap perubahan terhadap pola yang diketahui dan tidak berubah itu.
Logika pendekatan ini jauh lebih sederhana. Program analitik dapat diinstruksikan untuk mengabaikan aktivitas di perlintasan sebidang hingga gerbang ditutup. Pada titik ini, trek harus kosong.
Solusi analisis video semacam ini juga menyederhanakan analisis forensik insiden, termasuk mengidentifikasi kejadian nyaris celaka. Perangkat lunak dapat dengan mudah diinstruksikan untuk membuang atau arsipkan semua rekaman yang sesuai dengan tampilan normal adegan, yang tidak hanya secara drastis mengurangi jumlah penyimpanan video yang diperlukan, tetapi juga mengurangi jumlah rekaman yang harus ditinjau oleh tim forensik. Karena data semacam itu dikumpulkan dari ratusan ribu perlintasan sebidang, tidak sulit untuk membayangkan bahwa pelajaran yang didapat akan menghasilkan keselamatan yang jauh lebih besar bagi publik dan penghematan operasional yang besar bagi operator kereta api. Salah satu operator yang telah menjalankan uji coba pada jenis keselamatan penyeberangan kereta api yang ditingkatkan ini adalah operator kereta api Jepang Odakyu Electric Railway.
Menggunakan kamera CCTV untuk memantau penyeberangan kereta api menggunakan pembelajaran mesin bukan hanya solusi yang futuristik dan tidak terjangkau, melainkan cara praktis di mana sebagian besar operator kereta api dapat dengan mudah meningkatkan keselamatan di perlintasan kereta api saat ini. Dengan pengujian di perlintasan kereta api Tamagawa Gakuenmae No.8 di Kota Machida, Tokyo, Odakyu telah bekerja untuk mendeteksi kejadian abnormal dengan menerapkan AI berbasis pembelajaran mesin ke gambar kamera yang tersedia.
Menganalisis feed gambar yang tersedia yang dihasilkan oleh kamera penyeberangan kereta api konvensional, perangkat lunak dapat mengidentifikasi potensi masalah secara real time. Berjalan pada sumber daya komputasi edge, ini juga dapat sangat mengurangi bandwidth yang dibutuhkan di situs jarak jauh, yang mungkin memiliki konektivitas terbatas. Manfaat utama dari pendekatan analitik video semacam ini adalah kemampuannya untuk menambahkan tingkat keamanan ekstra - selain sistem keamanan yang diterapkan yang ada - dengan mengirimkan peringatan waktu nyata ke sistem eksternal saat aktivitas penting terdeteksi. Hal ini memungkinkan sensor perlintasan kereta api untuk berintegrasi dengan proses operasional yang ada, menambah pengetahuan dan keputusan yang dibuat oleh personel keamanan dan keselamatan, tanpa menggantikannya. Ini juga membantu penerimaan sistem oleh personel operasi.
Akhirnya, karena sistem ini dapat bekerja dengan sebagian besar kamera IP yang ada, dan bahkan kamera yang lebih tua dengan resolusi lebih rendah, mereka tidak memerlukan peningkatan yang mahal ke sistem CCTV HD modern. Ini berarti bahwa menggunakan kamera CCTV untuk memantau perlintasan kereta api menggunakan pembelajaran mesin bukan hanya solusi yang futuristik dan tidak terjangkau, melainkan cara praktis di mana sebagian besar operator kereta api dapat dengan mudah meningkatkan keselamatan di perlintasan kereta api saat ini.
Nokia Karsten OberleKarsten Oberle menerima gelar Dipl.-Ing. (FH) di bidang teknik komunikasi dari University of Applied Sciences 'Fachhochschule für Technik' Mannheim, Jerman, pada tahun 1998. Pada tahun yang sama, saya bergabung dengan Alcatel Research Center di Stuttgart dan bekerja untuk Bell Labs Research di berbagai posisi hingga 2015. Karsten bertindak secara global sebagai Kepala Penjualan Kereta dalam Transportasi di Divisi Nokia Enterprise TEPS (Transportasi, Energi dan Sektor Publik). Sebagai Kepala Perkeretaapian, dia bertanggung jawab untuk mengembangkan bisnis Nokia di sektor perkeretaapian dengan fokus saat ini pada Masa Depan Komunikasi Kereta Api (misalnya FRMCS, 5G), pada keamanan dunia maya untuk perkeretaapian dan IoT & Analytics (Internet of Things) untuk Perkeretaapian. Ini termasuk membangun dan mengelola program penjualan baru, mengarahkan kegiatan pengembangan bisnis global, dan membimbing tim penjualan dan pemasaran regional dalam hal keterlibatan pelanggan. (source: globalrailwayreview.com)
Nah Railfans! Itu dia artikel tentang Metode Peningkatan Keselamatan Perlintasan Rel Kereta Api dari situs www.yusronsayoga.com! Semoga bermanfaat bagi kita semua ya!
Baca Juga: Hobi Miniatur Kereta Api di Indonesia
Untuk video bertemakan kereta api di indonesia, silahkan kunjungi official youtube kita di link ini → https://www.youtube.com/c/yusronsayogayuwono
Terima kasih.
Salam
Yusron Sayoga
Baca Juga: Hobi Miniatur Kereta Api di Indonesia
Untuk video bertemakan kereta api di indonesia, silahkan kunjungi official youtube kita di link ini → https://www.youtube.com/c/yusronsayogayuwono
Terima kasih.
Salam
Yusron Sayoga
 |
0 komentar:
Post a Comment