Исследование нейросетевых алгоритмов распознавания объектов железнодорожной инфраструктуры на видеоизображениях
Автор: Медведева Е.В., Перевощикова А.А.
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 3 т.49, 2025 года.
Бесплатный доступ
В статье разработаны два нейросетевых алгоритма распознавания объектов железнодорожной инфраструктуры на видеоизображениях. Оба алгоритма направлены на повышение безопасности движения железнодорожного транспорта. Первый алгоритм – это детектирование объектов, создающих препятствия, и объектов железнодорожной инфраструктуры. Второй алгоритм – семантическая сегментация главных и вспомогательных железнодорожных путей, а также поездов в пределах видимости следования локомотива. Алгоритмы реализованы на основе сверточных нейронных сетей YOLO и U-Net. Для обучения и тестирования СНС использована база изображений НИИ информатизации, автоматизации и связи на железнодорожном транспорте. Проведены экспериментальные исследования, направленные на повышение эффективности алгоритмов обнаружения и сегментации объектов за счет методов аугментации данных, дополнительной предобработки, выбора архитектуры и наилучших гиперпараметров сети. Алгоритм обнаружения работает в режиме реального времени, достигаемая средняя точность для 11 классов объектов по метрике mAP – 64 %. Скорость работы алгоритма семантической сегментации составляет 5 кадр/с, средняя точность для трех классов объектов по метрики IoU – 92 %.
Обнаружение объектов, семантическая сегментация, объекты железнодорожной инфраструктуры, безопасность движения железнодорожного транспорта, системы технического зрения, нейросетевые алгоритмы
Короткий адрес: https://sciup.org/140310486
IDR: 140310486 | DOI: 10.18287/2412-6179-CO-1563
Research of neural network algorithms for recognizing railway infrastructure objects in video images
The article describes the development of two neural network algorithms for recognizing objects of the railway infrastructure in video images. Both algorithms are aimed at improving railway traffic safety. One algorithm detects foreign objects on railway tracks and objects relating to the railway infrastructure. The other algorithm implements the semantic segmentation of main and auxiliary railway tracks, as well as trains within the visible range of the locomotive. The algorithms are implemented based on convolutional neural networks (CNN) YOLO and U-Net. The CNN is trained and tested using the image database of the Research Institute of Information, Automation and Communications in Railway Transport. The experimental studies conducted are aimed at increasing the efficiency of algorithms for object detection and segmentation through the use of data augmentation methods and additional preprocessing, as well as selecting an architecture and optimal network hyperparameters. The detection algorithm works in real time, achieving an average accuracy of 64% for 11 object classes according to the mAP metric. The operating speed of the semantic segmentation algorithm is 5 frames/s, the average accuracy for three classes of objects according to the IoU metric is 92%.
