lerail.com
12
'26
Written on Modified on
Système d’IA pour la détection de la faune sur les voies ferrées
Alstom et Flox Intelligence testent une technologie d’IA destinée à détecter et éloigner les animaux sauvages afin de réduire les collisions et les perturbations du trafic ferroviaire en Suède.
www.alstom.com
Alstom et Flox Intelligence mènent des essais sur le terrain en Suède pour valider un système piloté par l'IA conçu pour identifier et éloigner la faune sauvage des voies ferrées, s'attaquant ainsi à l'une des principales causes de perturbations opérationnelles.
Identification en temps réel et mécanismes de dissuasion sonore
La solution technique utilise des caméras intégrées à l'IA qui surveillent l'environnement ferroviaire en temps réel. Dès qu'un animal est identifié, le système déclenche des signaux sonores adaptés, conçus pour effrayer l'espèce spécifique détectée. Lors des premières phases de test, l'IA a identifié avec succès diverses espèces, notamment des élans, des chevreuils, des renards et des sangliers. La mise en œuvre est entrée dans sa deuxième phase en avril 2026, intégrant la détection vidéo complète au module de dissuasion sonore. Cette réponse automatisée aide à prévenir les collisions, qui représentent environ 5 000 incidents signalés chaque année en Suède.
Tests collaboratifs et intégration régionale
Le projet est exécuté sur plusieurs lignes ferroviaires suédoises critiques, telles que Dalabanan et Bergslagsbanan, dans le cadre d'un partenariat avec l'autorité régionale Tåg i Bergslagen et l'opérateur VR. Financée par Vinnova, l'agence suédoise pour l'innovation, l'initiative soutient la chaîne d'approvisionnement numérique de la sécurité ferroviaire par :
- Apprentissage automatique continu : chaque détection d'animal est classée par catégorie afin d'affiner la précision d'identification de l'IA.
- Entraînement spécifique aux espèces : bien que le système affiche une haute précision pour les animaux de ferme et les oiseaux (corbeaux et pigeons), l'entraînement en cours se concentre sur l'amélioration de la fiabilité de détection pour les élans et les chevreuils.
- Évaluation de l'infrastructure : les données recueillies permettent de mieux comprendre l'efficacité des clôtures physiques existantes et d'identifier de petites espèces et des oiseaux rarement capturés dans les statistiques ferroviaires traditionnelles.
Impact sur la fiabilité opérationnelle et les coûts sociétaux
En réduisant les collisions entre les trains et la faune sauvage, la technologie vise à accroître la ponctualité et à diminuer les coûts importants liés aux réparations et aux pertes de production. Au-delà de la fiabilité mécanique, le système améliore l'environnement de travail des conducteurs de train en réduisant l'impact émotionnel des accidents. Cette approche proactive de la sécurité constitue une étape clé dans le développement d'un écosystème de données automobiles pour le rail, où les données environnementales en temps réel sont utilisées pour protéger à la fois les passagers et la biodiversité locale.
Contexte supplémentaire
Cette section détaille les spécifications techniques et l'analyse comparative concurrentielle qui ne figuraient pas dans l'annonce initiale du produit.
Le système de Flox Intelligence représente une transition d'une infrastructure passive, telle que les clôtures physiques, vers une intervention active basée sur des capteurs. Le benchmarking par rapport aux clôtures traditionnelles montre que, bien que celles-ci puissent réduire les collisions de 80 %, elles créent souvent des « effets de couloir » piégeant les animaux sur les voies s'ils trouvent une brèche ; le système audio par IA atténue ce risque en dégageant activement la voie. Techniquement, le système utilise le traitement Edge AI pour garantir des temps de réponse à faible latence, essentiels pour le rail à grande vitesse où la fenêtre entre détection et dissuasion est étroite. Contrairement aux dispositifs à ultrasons, qui peuvent provoquer une accoutumance chez les animaux, les sons adaptés de Flox utilisent des fréquences variables et des cris de prédateurs pour éviter que la faune ne s'habitue au signal. Cette méthodologie s'aligne sur la chaîne d'approvisionnement numérique de la surveillance environnementale, où les informations fondées sur les données remplacent les mesures de sécurité statiques et moins efficaces.
Édité par Romila DSilva, rédactrice chez Induportals – adapté par l'IA.
En réduisant les collisions entre les trains et la faune sauvage, la technologie vise à accroître la ponctualité et à diminuer les coûts importants liés aux réparations et aux pertes de production. Au-delà de la fiabilité mécanique, le système améliore l'environnement de travail des conducteurs de train en réduisant l'impact émotionnel des accidents. Cette approche proactive de la sécurité constitue une étape clé dans le développement d'un écosystème de données automobiles pour le rail, où les données environnementales en temps réel sont utilisées pour protéger à la fois les passagers et la biodiversité locale.
Contexte supplémentaire
Cette section détaille les spécifications techniques et l'analyse comparative concurrentielle qui ne figuraient pas dans l'annonce initiale du produit.
Le système de Flox Intelligence représente une transition d'une infrastructure passive, telle que les clôtures physiques, vers une intervention active basée sur des capteurs. Le benchmarking par rapport aux clôtures traditionnelles montre que, bien que celles-ci puissent réduire les collisions de 80 %, elles créent souvent des « effets de couloir » piégeant les animaux sur les voies s'ils trouvent une brèche ; le système audio par IA atténue ce risque en dégageant activement la voie. Techniquement, le système utilise le traitement Edge AI pour garantir des temps de réponse à faible latence, essentiels pour le rail à grande vitesse où la fenêtre entre détection et dissuasion est étroite. Contrairement aux dispositifs à ultrasons, qui peuvent provoquer une accoutumance chez les animaux, les sons adaptés de Flox utilisent des fréquences variables et des cris de prédateurs pour éviter que la faune ne s'habitue au signal. Cette méthodologie s'aligne sur la chaîne d'approvisionnement numérique de la surveillance environnementale, où les informations fondées sur les données remplacent les mesures de sécurité statiques et moins efficaces.
Édité par Romila DSilva, rédactrice chez Induportals – adapté par l'IA.
