Autonomous Train-Animal Crash Prevention System by Image Processing

Öz

In the study, the focus is prevention of animal deaths on the road route in railway transportation. Although the barrier systems at level crossings are seen as a preventive factor for impact accidents of rail transportation vehicles, alternative solutions are needed to ensure travel safety and prevent financial losses in rural areas. Within the scope of the study, an audible warning system, a water spray mechanism with a range in the deceleration distance, a camera and laser distance sensors are positioned on a vehicle designed in prototype scales. The vehicle's energy requirements are supplied by 11.1 Volt Lipo-Battery. By performing image processing in line with the data received from the camera, the type of obstacle on the road can be determined at rates greater than 80%. In addition, from the moment the vehicle sees the obstacle, it activates the audible warning system by first reducing its speed to 11.75 cm/s while traveling at 20 cm/s. If the obstacle is still on the road, it reduces the vehicle speed to 7.85 cm/s and stops 30 cm from the obstacle, activating the water spray system. If the obstacle is out of the way, it continues to nominal movement. As a result, the regulation and development of vehicle speed controls, image processing analysis and warning systems at real scales according to vehicle characteristics may reveal important outputs in the prevention of impact accidents in the future.

Anahtar Kelimeler

• Rail transportation
• impact accident
• image processing
• warning systems
• natural life

Proje Numarası

Tübitak-2209-A (919B012204725)

Görüntü İşleme Yoluyla Otonom Tren-Hayvan Kazası Önleme Sistemi

Öz

Çalışmada tren yolu ulaşımlarında yol güzergâhı üzerinde bulunan hayvan ölümlerinin önlenmesi üzerine odak sağlanmıştır. Hemzemin geçitlerde bulunan bariyer sistemleri raylı ulaşım araçlarının çarpışma kazalarını önleyici unsur olarak görülse de kırsal bölgelerde yolculuk güvenliklerinin sağlanması ve maddi kayıpların önlenmesi için alternatif çözümler gerekmektedir. Çalışma kapsamında prototip ölçeklerde tasarlanan bir araç üzerine sesli uyarı sistemi, yavaşlama mesafesinde menzile sahip su püskürtme mekanizması, kamera ve lazer mesafe sensörleri konumlandırılmıştır. Aracın enerji gereksinimleri 11.1 Volt Lipo-Batarya ile desteklenmektedir. Kameradan alınan veriler doğrultusunda görüntü işleme prosesleri gerçekleştirilerek yol üzerinde bulunan engelin türü %80’den daha büyük oranlarda belirlenebilmektedir. Ayrıca araç engeli gördüğü andan itibaren 20 cm/s hızla giderken öncelikle hızını 11,75 cm/s seviyelerine düşürerek sesli uyarı sistemini devreye almaktadır. Eğer hala engel yol üzerinde ise araç hızını 7,85 cm/s seviyelerine düşürmekte ve engele 30 cm mesafede durarak su püskürtme sistemini çalıştırmaktadır. Engel yoldan çekildiği taktirde hareketine devam etmektedir. Sonuç olarak aracın hız kontrolleri, görüntü işleme analizleri ve uyarı sistemlerinin gerçek ölçeklerde araç özelliklerine göre düzenlenmesi ve geliştirilmesi gelecekte çarpışma kazalarının önlenmesinde önemli çıktıları ortaya koyabilir.

Anahtar Kelimeler

• Raylı ulaşımlar
• çarpışma kazaları
• görüntü işleme
• uyarı sistemleri
• doğal yaşam

Destekleyen Kurum

TÜBİTAK

Proje Numarası

Tübitak-2209-A (919B012204725)

Teşekkür

Bu çalışma Tübitak-2209-A Üniversite Öğrencileri Araştırma Projeleri kapsamında 1919B012204725 başvuru numarasına sahip, ‘’ Görüntü İşleme ve Su Püskürtme Teknolojileri ile Raylı Ulaştırmada Hayvan Kazalarının Önlenmesi’’ isimli projenin destekleri doğrultusunda gerçekleştirilmiştir.

Kaynakça

1. [1] J. Yin, T. Tang, L. Yang, J. Xun, Y. Huang, Z. Gao, “Research and development of automatic train operation for railway transportation systems: A survey,” Transportation Research Part C: Emerging Technologies, vol. 85, pp. 548-572, 2017, doi: 10.1016/j.trc.2017.09.009
2. [2] C. Atılgan, Ö. T. Kaymakçı and T. V. Mumcu, "Haberleşme Tabanlı Tren Kontrolünün (CBTC) Otomatik Tren Korumasına (ATP) İlişkin Dağıtılmış-Hiyerarşik Kontrol Yaklaşımı", Demiryolu Mühendisliği, no. 17, pp. 66-81, Jan. 2023, doi:10.47072/demiryolu.1191856
3. [3] A. Çelik , "Demiryolu Ray ve Kusurlarını Tespit Etmek İçin Geliştirilen İki Yeni Yöntem", Demiryolu Mühendisliği, no. 12, pp. 52-63, Jul. 2020, doi:10.47072/demiryolu.737624
4. [4] R. Tang et al, "A literature review of Artificial Intelligence applications in railway systems." Transportation Research Part C: Emerging Technologies, vol.140;103679, 2022, doi: 10.1016/j.trc.2022.103679
5. [5] Eurostat, “Rail accident fatalities in the EU,” 2020. [Online]. Available: https://ec.europa.eu/eurostat/statisticsexplained/index.php?title=Archive:Rail_accident_fatalities_in_the_EU&oldid=497205 [Accessed on 15 January 2021]
6. [6] D. Ristić-Durrant, M. Franke, K. Michels, “A review of vision-based on-board obstacle detection and distance estimation in railways,” Sensor, vol 21, 2021, doi: 10.3390/s21103452
7. [7] T.C. Ulaştırma ve Altyapı Bakanlığı. “Kaza İnceleme Raporları’’. [Online]. Available: https://ulasimemniyeti.uab.gov.tr/demiryolu [Accessed on 18 May 2022]
8. [8] Z. Wang, “Application research of rail transit safety protection based on laser detection,” Proceedings of the SPIE, vol. 10153, pp. 91-98, 2016, doi: 10.1117/12.2244605

9. [9] S. Küçük , "Demiryollarında Arıza Durumunda Otonom Trenler için Yedek Sistem Tasarlanması", Demiryolu Mühendisliği, no. 9, pp. 38-60, Jan. 2019
10. [10] S. Yıldırım, "Yüksek Hızlı Tren Hatlarında Sinyalizasyon Blok mesafelerinin Hesaplanması", Demiryolu Mühendisliği, no. 14, pp. 14-25, Jul. 2021, doi:10.47072/demiryolu.869933
11. [11] H. Sümbül, A. Bogrek and A. Tunçer, "Demiryolu Ulaşım Güvenliği için Makinist Uyarım Sistemi Kavramsal Tasarımı ve Simülasyonu", Demiryolu Mühendisliği, no. 14, pp. 1-13, Jul. 2021, doi:10.47072/demiryolu.832113
12. [12] S. Yavuz, ‘’Demiryolu Kazalarında Sistem ve İnsan Etkeni,’’ Demiryolu Mühendisliği, 2018, (7), 54-55.
13. [13] T. Ye, B. Wang, P. Song, J. Li, “Automatic railway traffic object detection system using feature fusion refine neural network under shunting mode,” Sensors, vol. 18, 2018, doi: 10.3390/s18061916
14. [14] A. Chernov, M. Butakova, A. Guda, P. Shevchuk, “Development of intelligent obstacle detection system on railway tracks for yard locomotives using CNN,” Dependable Computing - EDCC 2020 Workshops,2020, doi: 10.1007/978-3-030-58462-7_3
15. [15] P. Hyde, C. Ulianov, J. Liu, M. Banic, M. Simonovic, D. Ristic-Durrant, “Use cases for obstacle detection and track intrusion detection systems in the context of new generation of railway traffic management systems,” Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, vol. 236, pp. 095440972110410, 2021, doi: 10.1177/09544097211041020
16. [16] S. Mockel, F. Scherer, P.F. Schuster, “Multi-sensor obstacle detection on railway tracks,” Intelligent Vehicles Symposium, 2003. Proceedings. IEEE, pp. 42-46, 2003, doi: 10.1109/IVS.2003.1212880
17. [17] T. K. Rajan et al, ‘’ IoT Based Remote Surveillance For Animal Tracking Near Railway Tracks,’’ In 2023 International Conference on Networking and Communications (ICNWC), April 2023, (pp. 1-7). IEEE.
18. [18] IG Fernandez ve C. Wada, "Shoe detection using SSD-MobileNet architecture," 2020 IEEE 2nd Global Conference on Life Sciences and Technologies (LifeTech) , Kyoto, Japonya, 2020, s. 171-172, doi: 10.1109/LifeTech48969.2020.1570618965
19. [19] G. Bradski and, A. Kaehler, “Learning OpenCV”, OReilly Publications, 2008.
20. [20] S. U. Sharma and D. J. Shah, "A Practical Animal Detection and Collision Avoidance System Using Computer Vision Technique," in IEEE Access, vol. 5, pp. 347-358, 2017, doi: 10.1109/ACCESS.2016.2642981.