ANOMALY DETECTION IN RAILWAY INFRASTRUCTURE BASED ON 3D POINT CLOUD DATA USING NEURAL NETWORKS

Abstract

El análisis preciso de la infraestructura ferroviaria es de gran importancia para garantizar la seguridad, la fiabilidad y la eficiencia en los sistemas de transporte, ya que proporciona información para el monitoreo del estado de sus componentes, y la detección de cambios a lo largo del tiempo y anomalías. Además, permite a los ingenieros y operadores evaluar irregularidades estructurales para orientar intervenciones preventivas con precisión. Este trabajo presenta un estudio exhaustivo centrado en la segmentación y clasificación de los componentes de la infraestructura ferroviaria a partir de nubes de puntos LiDAR, con el objetivo de automatizar la identificación de elementos estructurales, explorando las técnicas de Deep Learning. En este estudio se investigan tres enfoques. Primero, se emplea un modelo de clasificación binaria para distinguir los elementos de infraestructura ferroviaria de aquellos que no lo son. En segundo lugar, se desarrolla una segmentación semántica para separar los principales componentes estructurales. Finalmente, se diseña un módulo de detección de anomalías para identificar irregularidades en los cables aéreos. El estudio evalúa y compara el rendimiento de estos enfoques en términos de precisión, eficacia y aplicabilidad para el monitoreo inteligente de la infraestructura. Más allá de la aplicación en este sector, las metodologías desarrolladas en este estudio pueden aplicarse en los que se analicen nubes de puntos LiDAR, como diferentes infraestructuras civiles, como puentes o túneles, ofreciendo un abanico más amplio de aplicaciones.

Accurate analysis of railway infrastructure is very important for ensuring safety, reliability, and efficient operation of transportation systems, as it provides essential information for monitoring the condition of critical components, detecting changes over time, and anomalies. Aditionally, it allows engineers and operators to evaluate structural irregularities, assess the overall state of the infrastructure, and guide preventive interventions with precision. This research paper presents a comprehensive study focused on the segmen tation and classification of railway infrastructure components from LiDAR point clouds, and to automate the identification of structural elements, such as cables, posts, and tracks, exploring the potential of Deep Learning techniques to do so. Three complementary approaches are investigated in this study. Firstly, a binary classification model is used to distinguish railway infrastructure from non infrastructure elements within the LiDAR point clouds. Secondly, a semantic seg mentation framework is developed to separate the main structural components. Finally, an anomaly detection module is designed to specifically identify irregu larities in overhead cables. The study evaluates and compares the performance of these approaches in terms of accuracy, effectiveness, and practical applicability for intelligent infrastructure monitoring. Beyond the specific application to the railway sector, the methodologies de veloped in this study can be used in other sectors involving LiDAR point cloud analysis, like different types of civil infrastructure, such as bridges, roads, or power lines, offering a broader range of applications.