Studio e implementazione di un sistema intelligente per la classificazione di segnali e dispositivi di servizio in ambito ferroviario

This thesis describes the development of pipelines based on Artificial Intelligence, Computer Vision and spatial data analysis techniques for the automatic monitoring of infrastructural elements in the railway sector. The work was carried out in collaboration with the company Te.Si.Fer as part of a project dedicated to the digitalization and automation of railway line monitoring activities. In particular, the activity focused on the automatic identification of railway poles and manholes along a railway section through the combined use of LiDAR point clouds, multi-camera images and spatial data acquired by the systems installed on the surveying vehicle. The research involved a preliminary phase of data analysis and exploration, aimed at understanding the geometric and visual characteristics of the elements of interest. Subsequently, two different pipelines were designed: a geometric-visual pipeline dedicated to railway poles, based on the integration of LiDAR data, object detection and OCR techniques, and a mainly visual pipeline dedicated to the automatic recognition of railway manholes. For the object detection activities, models based on YOLOv8n were used, trained on annotated datasets created during the project. Different preprocessing and OCR techniques were also analyzed for the automatic extraction of the identification codes displayed on railway labels. The results obtained show how the integrated use of Deep Learning techniques and spatial analysis can represent a valid support for the automation of railway infrastructure monitoring activities, reducing the need for manual interventions and improving the efficiency of analysis operations.

La presente tesi descrive lo sviluppo di pipeline basate su tecniche di Intelligenza Artificiale, Computer Vision e analisi di dati spaziali per il monitoraggio automatico di elementi infrastrutturali in ambito ferroviario. Il lavoro è stato svolto in collaborazione con l’azienda Te.Si.Fer nell’ambito di un progetto dedicato alla digitalizzazione e all’automazione delle attività di monitoraggio lungo linea. In particolare, l’attività si è concentrata sull’individuazione automatica di pali ferroviari e botole presenti lungo una tratta ferroviaria mediante l’utilizzo combinato di nuvole di punti LiDAR, immagini multi-camera e dati spaziali provenienti dai sistemi di acquisizione installati sul mezzo di rilevamento. La ricerca ha previsto una fase preliminare di analisi ed esplorazione dei dati, finalizzata alla comprensione delle caratteristiche geometriche e visive degli elementi di interesse. Successivamente, sono state progettate due pipeline differenti: una pipeline geometrico-visiva dedicata ai pali ferroviari, basata sull’integrazione tra dati LiDAR, object detection e tecniche OCR, e una pipeline principalmente visuale dedicata al riconoscimento automatico delle botole ferroviarie. Per le attività di object detection sono stati utilizzati modelli basati su YOLOv8n, addestrati su dataset annotati costruiti durante il progetto. Sono state inoltre analizzate differenti tecniche di preprocessing e OCR per l’estrazione automatica dei codici identificativi presenti sulle etichette ferroviarie. I risultati ottenuti mostrano come l’utilizzo integrato di tecniche di Deep Learning e analisi spaziale possa rappresentare un valido supporto per l’automatizzazione delle attività di monitoraggio infrastrutturale ferroviario, riducendo la necessità di interventi manuali e migliorando l’efficienza delle operazioni di analisi.