Описание проекта

Предпосылками для разработки новой системы послужили длительные ожидания приемосдатчика клиентами станции, ошибки приемосдатчика при приеме груза к перевозке и устаревшая технология, не отвечающая современным требованиям, предъявляемым к перевозчику.

На сегодняшний день технология приема вагона к перевозке выглядит следующим образом: клиент уведомляет перевозчика с помощью формы ГУ-2б об окончании грузовой операции и готовности вагона к уборке, приемосдатчик выдвигается к месту проведения приемосдаточных операций и производит коммерческий осмотр предъявленного вагона. В случае принятия вагона к перевозке, приемосдатчик возвращается на свое рабочее место и производит оформление перевозочных документов вручную. В случае обнаружения коммерческих неисправностей вагон снова подается на путь необщего пользования, клиент устраняет недостатки, вагон выводится на место проведения приемосдаточных операций, приемосдатчик снова идет принимать данный вагон, и после осмотра возвращается оформлять документы.

Новая технология проведения коммерческого осмотра вагонов при приеме груза к перевозке предусматривает, что коммерческий осмотр будет проводить сам клиент на пути необщего пользования с помощью программно-технического комплекса, который принадлежит компании ОАО «РЖД». Это позволит исключить излишние переподачи вагонов для устранения неисправностей, снизить занятость маневровых локомотивов, горловин, путей и простои вагона. Согласно данной технологии при обнаружении нейронной сетью коммерческих неисправностей, грузоотправитель сразу получит список и рекомендации по их устранению, что позволит в кратчайшие сроки произвести исправления и оперативно осмотреть вагон еще раз. При принятии вагона к перевозке, программа запустит автоматическое оформление документов в АС «Этран».

В 2021 и 2023 годах команда проекта выиграла студенческий грант ПГУПСа на разработку требуемого программного обеспечения. По итогам которого было создано программное обеспечение, способное идентифицировать подвижной состав на изображении, определять типы грузовых вагонов и процент точности его определения, интегрировали его в мобильное устройство для получения входных данных в реальном времени, научили считывать номер вагона.

Для создания и обучения нейросети использовался Framework Core ML, разработанный компанией Apple. Он идеально подходит для решения следующих задач: классификация фотографий (определение типов вагонов), определение и распознавание объектов на фото (знаки опасного груза и номера вагонов), определение наличия пломб. Данный Framework позволил сэкономить время на создании самой нейросети и сделать упор на её обучении. Он дал возможность обработать большие массивы данных и в большинстве случаев достигает 100% точности определения. После создания и обучения модели нейросети необходимо было импортировать её на одну из мобильных платформ. В качестве экспериментальной была выбрана операционная система IOS. При помощи языка Swift и среды разработки XCode была проведена адаптация нейросети под выбранную платформу. Для выполнения задачи используется два алгоритма: Object Detection – для нахождения объектов на изображении, и Text Recognition – для распознавания текста. Для использования первого алгоритма, обучение нейросети осуществляется на основе фотографий объектов, а для считывания текста будут применены готовые модели. Такой подход позволяет уделить больше времени на уменьшение процента ошибок в программе.

Приложение разработано для мобильного устройства с операционной системой IOS, но в текущей геополитической ситуации мы прорабатываем варианты перехода на более открытую платформу Android. Выбор платформ для приложения обусловлен тем, что 99% мобильных устройств имеют эти 2 операционные системы. А ввиду того, что использование нашего приложения предполагает его установку на мобильное устройство ответственного за погрузку сотрудника компании клиента, то и приложение целесообразно разрабатывать именно для этих двух платформ. Вопрос получения клиентом доступа к приложению описан ниже.

На сегодняшний день приложение обучено принимать груженые щебнем полувагоны. Выбор такого сочетания рода груза и подвижного состава обусловлен тем, что к инертным грузам и полувагонам применяются более простые требования, на начальном этапе разработки программного обеспечения это позволило принципиально понять, сможет ли нейронная сеть выполнять обязанности приемосдатчика в полном объеме. Испытания были проведены на месте погрузки щебня на пути необщего пользования компании АО «ЛСР.Базовые» станции Пруды.

В перспективе планируется расширить линейку принимаемых грузов и типов подвижного состава. После успешного освоения закрытого подвижного состава, можно будет перейти к обучению программы приему открытого подвижного состава с техникой, погруженной по непредусмотренным техническим условиям.

Доступ к приложению грузоотправителю будет предоставляться только после одобрения заявки на перевозки ГУ-12 и закрываться после окончания перевозки. Для того, чтобы приложение можно было использовать на обычных мобильных устройствах, все вычислительные операции будут проходить на едином сервере, куда будут отправляться сделанные клиентом фотографии. Фотографии будут делаться с установленных ракурсов, чтобы нейросеть могла достоверно определить возможность приема вагона к перевозке. После обработки данных пользователю будет отправлен ответ. Полученные фотографии нейросеть сможет использовать для постоянного самообучения, что позволит постоянно повышать точность определения неисправностей.

Для запуска процесса оформления перевозочных документов, планируется интегрировать программное обеспечение с АС «Этран», это позволит использовать уже имеющиеся ресурсы более эффективно.

Планируется, что данная технология позволит дополнить уже существующую АСКО ПВ. В связи с тем, что установка АСКО ПВ рентабельна только на больших, в основном, сортировочных станциях. Наша программа могла бы дополнить АСКО ПВ и сделать коммерческий осмотр автоматизированным на всем пути следования от момента приема к перевозке до момента доставки грузополучателю.

Проект имеет 2 свидетельства о регистрации программы для ЭВМ № 2022617520 и № 2023666145.

По теме проекта я пишу кандидатскую диссертацию "Автоматизация процесса осмотра вагонов в коммерческом отношении с использованием технологии нейронных сетей". В рамках исследования опубликованы 1 статья ВАК и 3 статьи РИНЦ.

Презентации

Интеллектуальный сервис

Пульс