Transport automation research Transport automation research Автоматика на транспорте 2412-9186 126361 10.20295/2412-9186-2026-12-02-128-137 ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ INTELLIGENT CONTROL SYSTEMS ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ Selection of Artificial Intelligence Algorithms in Computer Vision Tasks for Detection and Localization of Objects on Railways ВЫБОР АЛГОРИТМОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЗАДАЧАХ ТЕХНИЧЕСКОГО ЗРЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ И ЛОКАЛИЗАЦИИ ОБЪЕКТОВ НА ЖЕЛЕЗНОЙ ДОРОГЕ Баранов Леонид Аврамович Baranov Leonid Avramovich baranov.miit@gmail.com

доктор технических наук;

doctor of technical sciences;

 Кулагин Максим Алексеевич Kulagin Maksim Alekseevich maksimkulagin06@yandex.ru

кандидат технических наук;

candidate of technical sciences;

 Янченко Герман Олегович Yanchenko German Olegovich ya@gyanchenko.ru Российский университет транспорта (МИИТ) Москва Россия Russian University of Transport (MIIT) Moscow Russian Federation Российский университет транспорта (МИИТ) Москва Россия Russian University of Transport (MIIT) Moscow Russian Federation Российский университет транспорта (МИИТ) Россия Russian University of Transport (MIIT) Russian Federation 23 06 2026 23 06 2026 12 2 128 137 23 06 2026 https://atjournal.ru/en/nauka/article/126361/view

Статья посвящена проблеме выбора и обоснования архитектур нейронных сетей для систем технического зрения на железнодорожном транспорте. В условиях цифровой трансформации отрасли важным становится создание надежных интеллектуальных систем поддержки принятия решений, способных работать в режиме реального времени. В работе проведен сравнительный анализ эффективности овременных сверточных нейронных сетей и перспективных трансформерных архитектур в задаче семантической сегментации ключевых объектов железнодорожной инфраструктуры. Исследование базируется на специализированном наборе данных, включающем 8203 изображения, полученных с бортовых камер локомотивов в различных погодных и осветительных условиях. Протестированы пять моделей искусственного интеллекта: U-Net, U-Net++, DeepLabV3+, MAnet и SegFormer. Оценка эффективности проводилась по критериям, включающим метрику Mean Intersection over Union, время обработки одного кадра, а также анализ вероятностей ошибок первого (ложная тревога) и второго (пропуск объекта) рода. Экспериментально установлено, что архитектура U-Net++ с энкодером DenseNet-121 обеспечивает наиболее сбалансированные показатели, минимизируя критические пропуски сигналов при высокой точности локализации. Полученные результаты и предложенные критерии оценки позволяют обоснованно подходить к выбору алгоритмов машинного зрения при проектировании автономных систем управления и интеллектуальной системы поддержки принятия решений машинистов путевых машин.

this article addresses the problem of selecting and substantiating neural network architectures for computer vision systems in railway transport. In the context of digital transformation within the industry, the development of reliable intelligent decision support systems capable of real-time operation has become a critical priority. This study presents a comparative analysis of the effectiveness of modern convolutional neural networks and emerging transformer-based architectures for the semantic segmentation of key railway infrastructure objects. The research is based on a specialized dataset comprising 8,203 images captured by onboard locomotive cameras under diverse weather and lighting conditions. Five artificial intelligence models were evaluated: U-Net, U-Net++, DeepLabV3+, MAnet, and SegFormer. Performance assessment was conducted using criteria including the Mean Intersection over Union (mIoU) metric, inference speed, and analysis of Type I (false alarm) and Type II (missed detection) error probabilities. Experimental results demonstrate that the U-Net++ architecture with a DenseNet-121 encoder delivers the most balanced performance, minimizing critical missed detections while maintaining high localization accuracy. The findings and proposed evaluation criteria provide a structured framework for the substantiated selection of machine vision algorithms in the design of autonomous control systems and intelligent decision support systems for operators of track maintenance machinery.

 семантическая сегментация сверточные нейронные сети трансформеры техническое зрение железнодорожная инфраструктура искусственный интеллект semantic segmentation convolutional neural networks transformers computer vision railway infrastructure artificial intelligence Работа выполнена в рамках государствен- ного задания от 15.01.2026 № 103-00001-26-00 за счет бюджетного финансирования. This work was carried out under state assignment No. 103-00001-26-00 dated January 15, 2026, funded by the state budget.

Зелова М. И., Комаров А. В. О применении комплекса автоматизированного управления движением поездов в условиях высокой интенсивности движения // Современные технологии. Системный анализ. Моделирование. 2022. № 4 (76). С. 92–100. DOI: 10.26731/1813-9108.2022.4(76).92-100. EDN WFQNPA Zelova M. I., Komarov A. V. O primenenii kompleksa avtomatizirovannogo upravleniya dvizheniem poezdov v usloviyah vysokoy intensivnosti dvizheniya // Sovremennye tehnologii. Sistemnyy analiz. Modelirovanie. 2022. № 4 (76). S. 92–100. DOI: 10.26731/1813-9108.2022.4(76).92-100. EDN WFQNPA Роботизация на железнодорожном транспорте / А. И. Долгий [и др.] // Интеллектуальный транспорт. 2025. Т. 9, № 3 (35). С. 4–32. EDN JCBFIE Robotizaciya na zheleznodorozhnom transporte / A. I. Dolgiy [i dr.] // Intellektual'nyy transport. 2025. T. 9, № 3 (35). S. 4–32. EDN JCBFIE Шебе Х., Шубинский И. Б., Розенберг Е. Н. Различные подходы к автономному вождению для железных дорог // Надежность. 2025. Т. 25, № 1. С. 4–10. DOI: 10.21683/1729-2646-2025-25-1-4-10. EDN DTBFTK Shebe H., Shubinskiy I. B., Rozenberg E. N. Razlichnye podhody k avtonomnomu vozhdeniyu dlya zheleznyh dorog // Nadezhnost'. 2025. T. 25, № 1. S. 4–10. DOI: 10.21683/1729-2646-2025-25-1-4-10. EDN DTBFTK Корнев Д. А. Моделирование сетей передачи данных в интеллектуальной системе управления движением поездов // Известия Транссиба. 2023. № 3 (55). С. 141– 154. EDN QICJOC Kornev D. A. Modelirovanie setey peredachi dannyh v intellektual'noy sisteme upravleniya dvizheniem poezdov // Izvestiya Transsiba. 2023. № 3 (55). S. 141– 154. EDN QICJOC Осипов Д. В. Машинное зрение на транспорте: перспективы и применение // Экономика железных дорог. 2023. № 8. С. 71–75. EDN IAHQWG Osipov D. V. Mashinnoe zrenie na transporte: perspektivy i primenenie // Ekonomika zheleznyh dorog. 2023. № 8. S. 71–75. EDN IAHQWG Тимофеев Е. Н., Ефимов Н. В., Комягин С. А. Подготовка данных для создания цифрового проекта на участок ремонта железнодорожного пути с использованием САУ‑3Д // Интерэкспо Гео-Сибирь. 2024. Т. 1. С. 116– 121. DOI: 10.33764/2618-981X‑2024-1-116-121. EDN FQOUYJ Timofeev E. N., Efimov N. V., Komyagin S. A. Podgotovka dannyh dlya sozdaniya cifrovogo proekta na uchastok remonta zheleznodorozhnogo puti s ispol'zovaniem SAU‑3D // Interekspo Geo-Sibir'. 2024. T. 1. S. 116– 121. DOI: 10.33764/2618-981X‑2024-1-116-121. EDN FQOUYJ Баранов Л. А., Иванова Н. Д., Михалевич И. Ф. Цифровой испытательный стенд анализа безопасности объектов критической информационной инфраструктуры интеллектуальных систем водного транспорта // Надежность. 2025. Т. 25, № 3. С. 50–59. DOI: 10.21683/1729-2646-2025-25-3-50-59. EDN QGPPKI Baranov L. A., Ivanova N. D., Mihalevich I. F. Cifrovoy ispytatel'nyy stend analiza bezopasnosti ob'ektov kriticheskoy informacionnoy infrastruktury intellektual'nyh sistem vodnogo transporta // Nadezhnost'. 2025. T. 25, № 3. S. 50–59. DOI: 10.21683/1729-2646-2025-25-3-50-59. EDN QGPPKI Комплексная безопасность АСУ ТП объектов КИИ железнодорожного транспорта / П. А. Попов [и др.] // Надежность. 2024. Т. 24, № 4. С. 48–57. DOI: 10.21683/1729– 2646-2024-24-4-48-57. EDN YKHBOB Kompleksnaya bezopasnost' ASU TP ob'ektov KII zheleznodorozhnogo transporta / P. A. Popov [i dr.] // Nadezhnost'. 2024. T. 24, № 4. S. 48–57. DOI: 10.21683/1729– 2646-2024-24-4-48-57. EDN YKHBOB Баранов Л. А., Сафронов А. И., Сидоренко В. Г. Развитие интеллектуальных систем управления электрическим транспортом // Автоматика, связь, информатика. 2025. № 10. С. 30–32. DOI: 10.62994/AT.2025.10.10.007. EDN BOSBZK Baranov L. A., Safronov A. I., Sidorenko V. G. Razvitie intellektual'nyh sistem upravleniya elektricheskim transportom // Avtomatika, svyaz', informatika. 2025. № 10. S. 30–32. DOI: 10.62994/AT.2025.10.10.007. EDN BOSBZK Баранов Л. А., Кулагин М. А., Янченко Г. О. Техническое зрение в интеллектуальной системе поддержки принятия решений машиниста специальной путевой машины // Наука и техника транспорта. 2025. № 3. С. 65– 69. EDN PZPESY Baranov L. A., Kulagin M. A., Yanchenko G. O. Tehnicheskoe zrenie v intellektual'noy sisteme podderzhki prinyatiya resheniy mashinista special'noy putevoy mashiny // Nauka i tehnika transporta. 2025. № 3. S. 65– 69. EDN PZPESY Кулагин М. А., Янченко Г. О. Подходы к определению препятствий на железнодорожном пути с помощью нейронных сетей // Интеллектуальные транспортные системы: материалы III Международной научно-практической конференции (Москва, 30 мая 2024 года). М.: Российский университет транспорта (МИИТ), 2024. С. 626–630. DOI: 10.30932/9785002446094-2024-626- 630. EDN OUMPCR Kulagin M. A., Yanchenko G. O. Podhody k opredeleniyu prepyatstviy na zheleznodorozhnom puti s pomosch'yu neyronnyh setey // Intellektual'nye transportnye sistemy: materialy III Mezhdunarodnoy nauchno-prakticheskoy konferencii (Moskva, 30 maya 2024 goda). M.: Rossiyskiy universitet transporta (MIIT), 2024. S. 626–630. DOI: 10.30932/9785002446094-2024-626- 630. EDN OUMPCR Никульчиков П. М. История, состояние и перспективы развития систем автоматического управления поездами метрополитена // Автоматика на транспорте. 2016. Т. 2, № 3. С. 456–473. EDN WYXBNL Nikul'chikov P. M. Istoriya, sostoyanie i perspektivy razvitiya sistem avtomaticheskogo upravleniya poezdami metropolitena // Avtomatika na transporte. 2016. T. 2, № 3. S. 456–473. EDN WYXBNL Озеров А. В., Бочков А. В. Текущее состояние и перспективы мировых исследований в области интеллектуального железнодорожного транспорта // Интеллектуальный транспорт. 2025. Т. 9, № 2 (34). С. 43–66. EDN QFUBXM Ozerov A. V., Bochkov A. V. Tekuschee sostoyanie i perspektivy mirovyh issledovaniy v oblasti intellektual'nogo zheleznodorozhnogo transporta // Intellektual'nyy transport. 2025. T. 9, № 2 (34). S. 43–66. EDN QFUBXM Медведева Е. В., Перевощикова А. А. Исследование нейросетевых алгоритмов распознавания объектов железнодорожной инфраструктуры на видеоизображениях // Компьютерная оптика. 2025. Т. 49, № 3. С. 443–450. DOI: 10.18287/2412–6179-CO‑1563. EDN JUAWIT Medvedeva E. V., Perevoschikova A. A. Issledovanie neyrosetevyh algoritmov raspoznavaniya ob'ektov zheleznodorozhnoy infrastruktury na videoizobrazheniyah // Komp'yuternaya optika. 2025. T. 49, № 3. S. 443–450. DOI: 10.18287/2412–6179-CO‑1563. EDN JUAWIT Федоров В. А., Огородникова О. М. Сегментация объектов техническим зрением в автоматизированных системах управления железнодорожным подвижным составом // Автоматика на транспорте. 2025. Т. 11, № 3. С. 239–249. DOI: 10.20295/2412-9186-2025-11-03-239- 249. EDN IUNEIX Fedorov V. A., Ogorodnikova O. M. Segmentaciya ob'ektov tehnicheskim zreniem v avtomatizirovannyh sistemah upravleniya zheleznodorozhnym podvizhnym sostavom // Avtomatika na transporte. 2025. T. 11, № 3. S. 239–249. DOI: 10.20295/2412-9186-2025-11-03-239- 249. EDN IUNEIX Deep Residual Learning for Image Recognition / K. He [et al.] // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016 DOI: 10.1109/CVPR.2016.90 Deep Residual Learning for Image Recognition / K. He [et al.] // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016 DOI: 10.1109/CVPR.2016.90 Tan M., Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks // International Conference on Machine Learning (ICML). 2019. DOI: 10.48550/arXiv.1905.11946 Tan M., Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks // International Conference on Machine Learning (ICML). 2019. DOI: 10.48550/arXiv.1905.11946 Densely Connected Convolutional Networks / G. Huang [et al.] // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. DOI: 10.1109/CVPR.2017.243 Densely Connected Convolutional Networks / G. Huang [et al.] // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. DOI: 10.1109/CVPR.2017.243 Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI). 2015. DOI: 10.1007/978-3-319-24574-4_28 Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI). 2015. DOI: 10.1007/978-3-319-24574-4_28 UNet++: A Nested U-Net Architecture for Medical Image Segmentation / Z. Zhou [et al.] // International Workshop on Deep Learning in Medical Image Analysis (DLMIA/ MICCAI). 2018. DOI: 10.1007/978-3-030-00889-5_1 UNet++: A Nested U-Net Architecture for Medical Image Segmentation / Z. Zhou [et al.] // International Workshop on Deep Learning in Medical Image Analysis (DLMIA/ MICCAI). 2018. DOI: 10.1007/978-3-030-00889-5_1 Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation / Chen L.-C. [et al.] // European Conference on Computer Vision (ECCV), 2018. DOI: 10.48550/arXiv.1802.02611 Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation / Chen L.-C. [et al.] // European Conference on Computer Vision (ECCV), 2018. DOI: 10.48550/arXiv.1802.02611 Multi-Attention-Network for Semantic Segmentation of Fine Resolution Remote Sensing Images / R. Li [et al.] // IEEE Transactions on Geoscience and Remote Sensing (TGRS). 2022. DOI: 10.1109/TGRS.2021.3093977 Multi-Attention-Network for Semantic Segmentation of Fine Resolution Remote Sensing Images / R. Li [et al.] // IEEE Transactions on Geoscience and Remote Sensing (TGRS). 2022. DOI: 10.1109/TGRS.2021.3093977 SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers / E. Xie [et al.] // Conference on Neural Information Processing Systems (NeurIPS). 2021. DOI: 10.48550/arXiv.2105.15203 SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers / E. Xie [et al.] // Conference on Neural Information Processing Systems (NeurIPS). 2021. DOI: 10.48550/arXiv.2105.15203 Popov P. A., Ozerov A. V., Marshova A. S. Prospects of autonomous railway transport development, BRIСS Transport. 2024 № 3 (3). Pp. 1–14. DOI: 10.46684/2024.3.4. EDN: HPYXEZ Popov P. A., Ozerov A. V., Marshova A. S. Prospects of autonomous railway transport development, BRISS Transport. 2024 № 3 (3). Pp. 1–14. DOI: 10.46684/2024.3.4. EDN: HPYXEZ