Projekt
ÖBB PoC
Problem
Oberbau-Fehlerdetektion im Schienennetz – konkret die Erkennung fehlender, gebrochener und falsch ausgerichteter Spannklemmen – erfordert große Mengen annotierter Trainingsdaten. Echte Defektaufnahmen existieren nicht in ausreichender Stückzahl, sind in operativen Kameradaten extrem selten oder lassen sich nur mit prohibitivem manuellem Aufwand finden und labeln. Standard-Deep-Learning-Ansätze scheitern damit bereits am Datenproblem.
Lösung
- → Generierung eines vollständig synthetischen Datensatzes mit Ghegapixel: 120.000 Bilder über 4 Klassen (je 30.000 Aufnahmen von fehlenden, gebrochenen und falsch ausgerichteten Spannklemmen sowie gesunden Referenzbildern)
- → Parametrische 3D-Simulation der Gleisinfrastruktur mit realistischen Schotter-, Licht- und Verschmutzungsvariationen sowie exakter Kameramodellierung nach ÖBB-Systemparametern
- → Modelltraining mit YOLOv8 im geschlossenen Generate → Learn → Improve-Loop – ohne eine einzige reale Defektaufnahme im Trainingsdatensatz
- → Proof of Concept zur Validierung der synthetischen Datenstrategie für den Schienenbetrieb
Ergebnis
PoC erfolgreich abgeschlossen. Das auf rein synthetischen Daten trainierte Modell erzielte die beste Erkennungsgenauigkeit für gebrochene und fehlende Spannklemmen aller je bei ÖBB getesteten Modelle – ohne eine einzige reale Defektaufnahme im Training. Der Nachweis, dass synthetische Trainingsdaten Real-World-Performance erreichen und übertreffen können, ist damit erbracht.
Prozess
Von 3D-Simulation und parametrischer Variation über synthetische Bilddaten bis zum Training und Evaluation des Detektionsmodells.
Beispiel: Synthetischer Fehler
Ausschnitt aus dem synthetischen Datensatz – realistisch gerendert, mit annotierbaren Defektklassen für das Training.
Kundenstimme
Sind das jetzt eure Bilder, oder echte Bilder? Ich erkenne den Unterschied nicht mehr.
ÖBB
Ähnliches Problem?
Problem besprechen