Assessing the Effectiveness of Vision Technologies for Railcar Inspection
Assessing the Effectiveness of Vision Technologies for Railcar Inspection
Simple item page
Full item details
- creativework.keywords - en
- Rail Transportation
- Automated Machine Vision Inspection System (AMVIS)
- Inspection Portal
- Machine Vision
- Human Factors
- Defect Simulation
- Train Inspection
- Train Car Defects
- Artificial Intelligence
- creativework.keywords - fr
- Transport ferroviaire
- Système d’inspection automatisé par vision artificielle (SIAVA)
- Portail d’inspection
- Vision artificielle
- Facteurs humains
- Simulation de défauts
- Inspection des trains
- Défauts des wagons
- Intelligence artificielle
- dc.contributor.author
- Yan Liu
- Abdelhamid Mammeri
- Samy Metari
- Md Atiqur Rahman
- Alireza Roghani
- Michael Hendry
- Lianne Lefsrud
- Parth Rana
- Fereshteh Sattari
- dc.date.accessioned
- 2025-02-28T00:17:13Z
- dc.date.available
- 2025-02-28T00:17:13Z
- dc.date.issued
- 2024-12-02
- dc.description.abstract - en
- Railroads worldwide are leveraging machine vision technologies to enhance railcar inspection quality and efficiency, ultimately improving railway safety. In collaboration with Canadian Pacific Kansas City (CPKC), the University of Alberta (U of A), TC’s Rail Safety and Security Directorate, and the National Research Council Canada (NRC), Transport Canada’s Innovation Centre (TC) launched the Automated Machine Vision Inspection Systems (AMVIS) project in 2021 to assess the capabilities of remotely monitored train inspection technologies. This project studied the reliability of the Train Inspection Portal System (TIPS) under various climatic conditions, the effectiveness of Portal Office Inspection (POI) in detecting safety defects, and the potential of AI algorithms to support inspectors. The results provide evidence that TIPS enables real-time, high-quality imaging without disrupting train operations, reduce idling time and improve defect detection for several defect types. Additionally, AI models such as YOLOv5 and Faster R-CNN demonstrate strong potential in automating defect identification, particularly for wheels and cap screws. Key recommendations include optimizing camera placement for enhanced imaging, refining POI software for improved defect detection, and integrating AI-driven solutions to elevate inspection accuracy and efficiency.
- dc.description.abstract-fosrctranslation - fr
- Les chemins de fer du monde entier misent sur des technologies de vision industrielle pour améliorer la qualité et l’efficacité de l’inspection des wagons, améliorant ainsi la sécurité ferroviaire. En collaboration avec le Canadien Pacifique Kansas City (CPKC), l’université de l’Alberta, la Direction générale de la sécurité et de la sûreté ferroviaires de TC et le Conseil national de recherches du Canada (CNRC), le Centre d’innovation (TC) de Transports Canada a lancé le projet de systèmes d'inspection par vision artificielle automatisés/semi-automatisés (AMVIS) en 2021 afin d’évaluer les capacités des technologies d’inspection des trains surveillées à distance. Ce projet a étudié la fiabilité du système de portail d’inspection des trains (TIPS) dans diverses conditions climatiques, l’efficacité du système d’inspection du bureau du portail (POI) dans la détection des défauts de sécurité et le potentiel des algorithmes d’IA pour aider les inspecteurs. Les résultats prouvent que TIPS permet d’obtenir une imagerie en temps réel de haute qualité sans perturber l’exploitation des trains, de réduire le temps de marche au ralenti et d’améliorer la détection de plusieurs types de défauts. De plus, les modèles d’IA tels que YOLOv5 et Faster R-CNN démontrent un fort potentiel dans l’automatisation de l’identification des défauts, en particulier pour les roues et les vis d’assemblage. Les principales recommandations comprennent l’optimisation du placement des caméras pour une meilleure imagerie, l’amélioration du logiciel du POI pour une meilleure détection des défauts et l’intégration de solutions basées sur l’IA pour améliorer la précision et l’efficacité des inspections.
- dc.description.fosrcfull - en
- This report investigates the reliability of the Train Inspection Portal System (TIPS) under different climatic conditions and assesses the effectiveness of Portal Office Inspection (POI) in detecting train defects. It also examines the impact of human factors on POI output and explores the potential of AI algorithms to assist office inspectors.
- dc.description.fosrcfull-fosrctranslation - fr
- Ce rapport examine la fiabilité du système de portail d’inspection des trains (TIPS) dans différentes conditions climatiques et évalue l’efficacité du bureau du portail d’inspection (POI) dans la détection des défauts des trains. Il examine également l’impact des facteurs humains sur la production du POI et explore le potentiel des algorithmes d’IA pour aider les inspecteurs de bureau.
- dc.identifier.citation
- Liu, Y., Mammeri, A., Metari, S., Rahman, M.A., Roghani, A., Hendry, M., Lefsrud, L., Rana, P., Sattari, F., (2024). Assessing the Effectiveness of Vision Technologies for Railcar Inspection, National Research Council Canada, University of Alberta.
- dc.identifier.govdoc
- https://open-science.canada.ca/handle/123456789/3472
- 1TJC06XY54SB-1102879366-1463
- dc.identifier.uri
- https://open-science.canada.ca/handle/123456789/3472
- dc.language.iso
- en
- dc.publisher - en
- National Research Council Canada
- dc.rights - en
- Open Government Licence - Canada
- dc.rights - fr
- Licence du gouvernement ouvert - Canada
- dc.rights.openaccesslevel - en
- Green
- dc.rights.openaccesslevel - fr
- Vert
- dc.rights.uri - en
- https://open.canada.ca/en/open-government-licence-canada
- dc.rights.uri - fr
- https://ouvert.canada.ca/fr/licence-du-gouvernement-ouvert-canada
- dc.subject - en
- Rail transport
- dc.subject - fr
- Transport ferroviaire
- dc.subject.en - en
- Rail transport
- dc.subject.fr - fr
- Transport ferroviaire
- dc.title - en
- Assessing the Effectiveness of Vision Technologies for Railcar Inspection
- dc.title.alternative - fr
- Évaluation de l’efficacité des technologies de vision pour l’inspection des wagons de chemin de fer
- dc.type - en
- Report
- dc.type - fr
- Rapport
- local.pagination
- 1-89
- local.peerreview - en
- Internal Review
- local.peerreview - fr
- Examen interne
- local.report.reportnum
- 1TJC06XY54SB-1102879366-1463
- local.requestdoi
- Yes
Download(s)
Original bundle
1 - 1 of 1
Name: Assessing Effectiveness Vision Tech Railcar Inspection .pdf
Size: 2.82 MB
Format: PDF
Collection(s)