L'intelligenza artificiale garantisce la sicurezza del traffico nella galleria del San Bernardino

Può l'intelligenza artificiale rendere i tunnel più sicuri ed efficienti? I Sistemi di rilevamento hotspot del veicolo (VHD) di SICK all'imbocco nord e sud del San Bernardino rispondono a questa domanda con un sonoro "Sì!". Programmati sfruttando il deep learning, i VHD riescono a rilevare surriscaldamenti critici sulle parti più a rischio del veicolo, distinguendole da situazioni non pericolose. Il risultato è una maggiore sicurezza dei tunnel, con meno falsi allarmi e un flusso di traffico ottimale.

"I sistemi VHD di SICK vengono utilizzati per rilevare camion e autobus con superfici surriscaldate, ovvero superfici a rischio di combustione, prima che attraversino un tunnel, salgano su un traghetto, in un terminal di carico o a un posto di blocco" spiega Lukas Wallimann, Product Manager VHD presso SICK a Buochs, Svizzera. Il sistema svolge questo compito combinando le immagini delle termocamere a infrarossi con i dati di misurazione dei sensori LiDAR 2D.

The VHD system from SICK detects overheated surfaces.

Questo permette al sistema di misurare le temperature del veicolo e determinare forma e dimensioni per creare un modello 3D su cui è possibile identificare automaticamente le singole aree del veicolo come le ruote, il motore, lo scarico o il vano di carico. "Questi tipi di sistemi sono stati installati in tutta Europa nell'ultimo decennio, anche nel tunnel del Monte Bianco e in quello del San Gottardo", afferma Christoph Gilgen, Customer Project Manager di SICK. Che nella pratica i sistemi VHD si siano dimostrati un'affidabile misura di sicurezza contro gli incendi dei veicoli nelle gallerie, lo conferma Italo Broggini dell'Ufficio Federale delle Strade (ASTRA) di Bellinzona: "Il portale termico sul San Bernardino ci aiuta a rimuovere dal traffico i veicoli surriscaldati, contribuendo così alla sicurezza del tunnel".

The thermal portal on the San Bernardino helps to remove overheated vehicles from traffic, thus contributing to tunnel safety.

Il portale sul San Bernardino permette di rilevare i veicoli surriscaldati, contribuendo così alla sicurezza in galleria.

"Margini di miglioramento" per l’allarme VHD

I sistemi VHD si sono rivelati molto efficaci, ma per renderli ancora più efficienti è stato necessario migliorare ulteriormente la qualità e la precisione degli allarmi. Si tratta di un prerequisito essenziale per il progetto del San Bernardino, in quanto il servizio di soccorso per il tunnel è situato solo al portale sud. Dunque, se il portale termografico lancia un allarme all'ingresso nord del tunnel, che dista circa sette chilometri, il personale d'emergenza impiegherebbe parecchio tempo per raggiungere il veicolo pericoloso.

I falsi allarmi, ad esempio innescati da una marmitta calda, possono portare a inutili dispiegamenti del servizio di soccorso. Ma quanto "margine di miglioramento" hanno i sistemi VHD per fornire un allarme di qualità superiore, e come sfruttare questo potenziale anche per una maggiore efficienza?

Sistemi di profilatura

Rilevamento completamente automatico di componenti di veicoli surriscaldati

Vehicle Hotspot Detection System

L'intelligenza artificiale migliora la qualità di allarme del VHD

Sta tutto nell'accuratezza del sistema. Come può essere migliorata? Usando semplicemente più sensori? Oppure servono nuovi algoritmi per consentire d'identificare e distinguere in modo più affidabile le potenziali fonti di combustione sui veicoli? "La soluzione può essere trovata nell'intelligenza artificiale, o più precisamente nel deep learning" afferma Roman Schindler, CNN Software Engineer presso SICK.

Questa “CNN”, tuttavia, non ha nulla a che fare con il canale di notizie degli Stati Uniti, ma sta invece per "Convolutional Neural Network" - una rete neurale artificiale che si ispira a processi biologici e che viene utilizzata per l'elaborazione informatica di dati immagine. Un particolare vantaggio di questo metodo è il suo basso tasso d'errore, che potrebbe contribuire alla minimizzazione dei falsi allarmi, implementando gli algoritmi CCN ai sistemi VHD.

Thousands of thermal images were analyzed to keep the error rate as low as possible.

Nel cosiddetto "campo di addestramento" del sistema VHD, in quattro mesi sono state analizzate migliaia di immagini termiche, addestrando così l'algoritmo CNN.

L’addestramento tramite immagini termiche

I sistemi VHD hanno trascorso quattro mesi in un "campo d'addestramento". "Durante questo periodo, migliaia d'immagini termiche di sistemi esistenti sono state raccolte, analizzate, classificate manualmente e utilizzate per addestrare gli algoritmi CNN", afferma Roman Schindler descrivendo il processo di sviluppo. Inoltre, SICK ha esaminato tutti gli allarmi durante gli ultimi mesi con il capitano dei vigili del fuoco di San Bernardino, per filtrare i falsi allarmi tra tutte le notifiche di allarme. Questa misura è stata utile anche per l'algoritmo CNN.

Il nuovo metodo ha migliorato significativamente la capacità del sistema di differenziare le singole aree del veicolo come le ruote, il motore o lo scarico. "Al tunnel del San Bernardino, dove il nuovo algoritmo è stato testato per la prima volta in tempo reale, si è registrato un tasso di falsi allarmi inferiore", afferma Christoph Gilgen. “Si tratta di un miglioramento più che significativo rispetto all'algoritmo convenzionale, che è ancora in esecuzione sul portale termografico in background come backup".

Overheated vehicles are taken out of service.

I veicoli che presentano temperature fuori norma vengono fermati.

Algoritmo CNN: disponibile con un solo aggiornamento del sistema

"Grazie alla significativa riduzione dei falsi allarmi ci sono meno interventi non necessari, il che si traduce in un risparmio sui costi e in una maggiore motivazione del personale in caso di emergenza reale", sottolinea Italo Broggini di ASTRA come un ulteriore aspetto positivo. Non c'è quindi da stupirsi che gli operatori dei sistemi VHD esistenti siano "entusiasti" per la riuscita del miglioramento dei loro sistemi. "Ognuno di questi sistemi può essere aggiornato con gli algoritmi CNN, perché il miglioramento dipende solo un aggiornamento del software", spiega Lukas Wallimann e aggiunge: "I sistemi VHD appena ordinati saranno dotati immediatamente di questo aggiornamento. Il cliente beneficerà così della lunga esperienza di SICK nella misurazione termica dei veicoli, senza dover pagare di più per l'aggiornamento rispetto all'algoritmo convenzionale".

Anche i sistemi VHD "non smettono mai d'imparare"

L'attuale versione dell'algoritmo CNN non è tuttavia quella definitiva, poiché le prestazioni del sistema continueranno a migliorare con nuovi dati immagine e cicli di addestramento. "Ciò significa che i sistemi VHD non smettono mai d'imparare", riassume Roman Schindler.

Inoltre, per questi sistemi si aprono sempre nuovi e correlati campi d'applicazione. Ad esempio, SICK sta lavorando a un ulteriore sviluppo del sistema VHD per i terminal dei traghetti, per poter rilevare i punti caldi sulle unità di refrigerazione dei camion. Una maggiore efficienza per i sistemi VHD grazie al nuovo algoritmo CNN: la fase iniziale è completa, ma si è alla ricerca di un continuo miglioramento.