這兩天，除了令人揪心的全球疫情，T179次列車的失事不禁讓人感嘆世事無常。
3月30日中午，從濟南開往廣州的T179次列車，在湖南郴州境內發生側翻事故，有車廂脫軌，事故共造成一名值乘民警犧牲，4人重傷123人輕傷。
受連日降雨影響，當時事故路段發生塌方。雖然列車司機在發現塌方事故后采取了緊急制動，但是列車仍然撞上了塌方體，同時車輪與鋼軌高速摩擦產生火花，導致第一節電車起火，部分車廂隨后發生側翻。目前，事故具體原因仍在調查中。
鐵路軌道線路設備常年裸露在露天環境中，在惡劣天氣和列車負載的作用下，設備技術狀態不斷發生變化，盡管有關路局工務部門已制定全面的維護計劃，定期安排巡線員、檢修員進行巡檢，但由于現場巡檢情況無法復核的局限性以及設備在白天發生突變的概率性等（比如此次事故突發的塌方），難以100%發現與解決鐵路線路設備的異常情況。
慶幸的是，隨著人工智能技術的發展與革新，鐵路安全巡檢也有了更為高效的智能化巡檢方案。正如云創大數據開發的鐵路病態非接觸檢測系統，通過在鐵路線路設備前端安裝定點工業級高清智能攝像機進行實時圖像采集，并在后端采用深度學習方法，對采集的圖像信息進行智能分析，對鐵路線路設備異常狀態實時監控，從而提高鐵路軌道巡檢效率。
可以說，鐵路病態非接觸檢測系統通過視頻巡檢與人工巡檢相結合，實現軌道線路全天不間斷巡檢，并結合圖像自動分析與預警信息推送，及時消除隱患，保證列車行駛安全。目前，軌道交通安全保障總體準確率已達到95%以上。
與單純依靠人力巡檢相比，鐵路病態非接觸檢測系統的優勢明顯：
具體而言，鐵路病態非接觸檢測系統當前已支持分析的鐵路病態有螺栓異常檢測、軌縫異常檢測，開發完善中的檢測功能包括軌道掉塊檢測、軌枕裂紋檢測、沿線標志異常檢測、聯結部件異常檢測、軌道異物檢測等。
1.螺栓異常檢測
包括螺栓松動、脫落、缺失狀態的檢測，檢測準確率：93.72%，平均每張檢測耗費時間：0.31秒。經測試，該模型在多角度，不同尺度下均能夠識別出螺栓的狀態。模型分析效果示例：
2.軌縫異常檢測
包括軌縫過大、軌縫頂死狀態的檢測，檢測準確率：92.4%，平均每張檢測耗費時間0.4秒，分析效果示例如下：
3.其他可實現功能
在螺栓異常檢測、軌縫異常檢測之外，鐵路病態非接觸檢測系統還可實現對人員闖入、塌方、異物、鐵軌變形、水淹、沉降等異常情況的檢測，更多可實現功能具體如下：
