Scheuren in het spoor zien vóórdat ze een risico worden: hoe beeldherkenning ProRail van reactief naar proactief onderhoud brengt

Onze aanpak

1. Praktijkkennis ophalen bij inspecteurs: In gesprek met specialisten bij ProRail is eerst vastgesteld wanneer een scheur in een dwarsligger daadwerkelijk een veiligheidsrisico vormt. Donkere, open scheuren bleken risicovol omdat er water in kan bevriezen, witte, dichtgekalkte scheuren waren juist minder gevaarlijk omdat de kalkaanslag de opening al had opgevuld.
2. Trainingsdata handmatig opbouwen: Om het model te leren wat een scheur precies is, zijn ongeveer 100 scheuren op de video-inspectiebeelden met de hand ingetekend. Niet alleen óf er een scheur zichtbaar was, maar ook de exacte omtrek werd vastgelegd, zodat het model leerde scheuren te herkennen én af te bakenen.
3. Beeldmateriaal optimaliseren voor herkenning: Voorbewerking van de beelden, met ruisreductie en extra contrast, zorgde ervoor dat scheuren beter zichtbaar werden ten opzichte van de rest van de dwarsligger. Dat verbeterde direct de nauwkeurigheid van het model.
4. Model iteratief verbeteren: Elke trainingsronde leverde een deel correct herkende en omlijnde scheuren op. Die resultaten werden gebruikt om de trainingsset opnieuw aan te vullen, waardoor het model met elke cyclus preciezer werd.
5. Inzicht per traject in plaats van exacte locatie: De locatiedata die met de beelden meekwam was destijds nog niet nauwkeurig genoeg verwerkt om een scheur exact te plaatsen, in de praktijk kon een scheur worden teruggebracht tot een gebied van ongeveer 100 tot 200 meter. Dat bleek ruim voldoende: het doel was geen pinpoint-locatie, maar inzicht in het aantal en de omvang van scheuren per traject, zodat onderhoud daarop gepland kon worden. Preciezere locatiebepaling tot op 10 centimeter was soms al mogelijk, maar niet noodzakelijk om dat doel te bereiken.
6. Adviesrapport met concrete vervolgstappen: De bevindingen zijn vastgelegd in een onderzoeksrapport met adviezen over onder meer cameraresolutie en de verwerking van locatiegegevens, als basis voor de verdere doorontwikkeling van de oplossing.

Resultaat

Het onderzoek toonde aan dat beeldherkenning scheuren in dwarsliggers betrouwbaar kan signaleren en per traject in kaart kan brengen. Daarmee kon ProRail de stap zetten van reactief onderhoud, wachten op een melding of het hele spoor laten belopen, naar proactief onderhoud: gericht inspecteren en plannen op de trajecten waar de data de meeste risicovolle scheuren liet zien, om storingen zoveel mogelijk te voorkomen. De inzichten uit het onderzoek vormden de basis voor de oplossing die hierna is doorontwikkeld tot een volledige implementatie en die inmiddels in de werkprocessen van ProRail is geïntegreerd.