To reduce greenhouse gas emissions from the transport sector, shifting to rail transport is crucial. This transition will increase the demand on existing rail infrastructure, necessitating large-scale monitoring to maintain its resilience. Point cloud data are an ideal candidate for this purpose, as they provide immediate, precise 3D geometric information independent of illumination conditions. This study investigates two object detection models, the PointPillar and the CenterPoint model, to automatically create a digital representation of the rail environment. Using a custom open dataset, these two models are evaluated to detect masts, tension rods, signals, and relay cabinets. A mean Average Precision (mAP@0.5) of 70.6% is achieved. A unique contribution of this study is an in-depth analysis of the locational error in terms of the x and y components of the detected positions. This analysis reveals that location accuracy is not yet sufficient for engineering applications. The analysis indicates that the largest contribution to this error originates from the random error. Additionally, this study demonstrates that transfer learning effectively reduces the labeling burden. For instance, when using 25% of the training data, the average Precision (AP) for the tension rod class improves from 9.5% without transfer learning to 70.8% with transfer learning.
MULTIFILE
A small dataset containing 15 high resolution point clouds of catenary arches is provided. The number of points per arch ranges from 1.6 M to 11 M points. They have been manually labelled into 14 distinct classes.
DOCUMENT
The digitalization of railroad infrastructure is aimed at the improvement of maintenance and construction activities. Currently, inspections are done manually, with a domain expert classifying objects. This is a challenging task, considering the Netherlands has more than 3,400 km of railways that need to be inspected and maintained.Research-00764
Rugpijn komt voor bij veel paarden. De pijngrens van ieder paard is verschillend, het is lastig te constateren of een paard rugpijn heeft. De oorzaken van rugpijn kunnen uiteenlopen zoals slecht passend zadel, kreupelheid, orgaanproblemen, manier van rijden, overbelasting of wervelblokkades. Momenteel wordt rugpijn geconstateerd middels handelingen zoals voelen aan spieren of wervels, visueel beoordelen van de rug. Objectieve analyses op gebied van rug problematieken en bewegingskwaliteit zijn op dit moment erg uitdagend. Het is mensenwerk en vaak zijn de meningen verdeeld zelfs tussen experts met ruime ervaring. Het equine back measurement system kan voor de sector een gamechanger worden door de mogelijkheid om de rug/romp beweging van het paard te objectiveren en kwantificeren en zodoende rugklachten te kunnen aantonen. Het equine back measurement systeem maakt met behulp van sensoren een 3D scan van het rugoppervlak tijdens bewegen (stap/draf) op een lopende band. Middels AI software analyse volgt hieruit een resultaat van de metingen en geeft het systeem aan waar opvallende afwijkingen zitten in de bewegende oppervlaktepatronen. Met deze informatie kan dan bijv. een zadelmaker het zadel op de juiste manier instellen voor het betreffende paard of zijn er indicaties voor nader veterinair onderzoek. Het equine back measurement system zou gecombineerd kunnen worden met alle bestaande lopende band opstellingen voor paarden. In de toekomst zou het systeem zelfs gebruikt kunnen worden om een nieuw te ontwikkelen zadel met luchtkamers aan te sturen. In dit project ligt de focus op genereren van een 3D model met behulp van sensoren zoals dieptecamera’s. Op basis van de ervaring met bewegingsmetingen bij paarden van projectpartner Equimoves is gebleken dat het systeem 200 - 300 metingen per seconde moet kunnen maken om voldoende details te kunnen zien. Bij dit project zijn verder betrokken Peard (zadeldrukmetingen) en Paardenkliniek Venlo.
