Transport automation research Transport automation research Автоматика на транспорте 2412-9186 104283 10.20295/2412-9186-2025-11-03-239-249 ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ INTELLIGENT CONTROL SYSTEMS ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ Object Segmentation Using Machine Vision in Automated Control Systems of Railway Rolling Stock СЕГМЕНТАЦИЯ ОБЪЕКТОВ ТЕХНИЧЕСКИМ ЗРЕНИЕМ В АВТОМАТИЗИРОВАННЫХ СИСТЕМАХ УПРАВЛЕНИЯ ЖЕЛЕЗНОДОРОЖНЫМ ПОДВИЖНЫМ СОСТАВОМ Федоров Владимир Анатольевич Fedorov Vladimir Anatol'evich Fedorov.Vladimir@UrFU.Ru Огородникова Ольга Михайловна Ogorodnikova Ol'ga Mihaylovna Olga.Ogorodnikova@UrFU.Ru

доктор технических наук;

doctor of technical sciences;

 Уральский федеральный университет Россия Ural Federal University Russian Federation Уральский федеральный университет Россия Ural Federal University Russian Federation 17 09 2025 17 09 2025 11 3 239 249 16 09 2025 https://atjournal.ru/en/nauka/article/104283/view

В статье представлено комплексное исследование конфигураций модели сверточной нейронной сети YOLOv11 применительно к задачам сегментации объектов техническим зрением в автоматизированных системах управления железнодорожным подвижным составом. Основное внимание уделено оценке производительности и качества обработки изображений, выполняемой различными конфигурациями модели. Выполнен сравнительный анализ 25 конфигураций YOLOv11, которые различаются архитектурой и разрешением входного изображения в интервале от 640 640 до 1920 1920 пикселей. Для обучения моделей был создан специализированный набор визуальных данных, в котором 20 000 аннотированных изображений железнодорожной инфраструктуры распределены по 40 классам объектов. Все обученные модели были оценены по точности сегментации с использованием метрики mAP (0,5–0,95) и по производительности. Полученные результаты позволяют выбрать конфигурацию модели YOLOv11 с наиболее подходящими параметрами для использования в составе бортовых систем технического зрения для автоматизированных систем управления железнодорожным подвижным составом в зависимости от предъявляемых требований к точности сегментации объектов и мощности доступных вычислительных ресурсов.

Abstract: The paper presents the results of a study into the application of YOLOv11 convolutional neural network model configurations to object segmentation tasks. It is hypothesized that YOLOv11 will be utilized in the domain of machine vision within the context of an automated railway rolling stock control system. The primary focus of this study was to assess the performance and quality of image processing implemented by various model configurations. A comparative analysis of 25 YOLOv11 configurations was conducted, varying in architecture and input image resolution within the range of 640 × 640 and 1920 × 1920 pixels. The creation of a specialized visual dataset was instrumental in facilitating the training of the models.This dataset comprised 20,000 annotated images of railway infrastructure, systematically distributed across 40 object classes. The performance and segmentation accuracy of all trained models was evaluated using the mAP metric (0.5–0.95). The results obtained are informative when choosing the configuration of theYOLOv11 model with the most suitable parameters for use in on-board machine vision systems of automated control systems, depending on the requirements for the accuracy of object segmentation and the power of available computing resources.

 техническое зрение; автоматизированная система управления; железнодорожный подвижной состав; обнаружение объектов; сегментация объектов; сверточная нейронная сеть; YOLOv11 machine vision; automated control system; railway rolling stock; object detection; object segmentation; convolutional neural network; YOLOv11

Охотников А. Л. Проекты развития систем автоматиче- ского управления движением поездов / А. Л. Охотников, И. А. Волкова // Интеллектуальные системы и техноло- гии на транспорте. — 2023. — № 1(25). — С. 25–31. Ohotnikov A. L. Proekty razvitiya sistem avtomatiche- skogo upravleniya dvizheniem poezdov / A. L. Ohotnikov, I. A. Volkova // Intellektual'nye sistemy i tehnolo- gii na transporte. — 2023. — № 1(25). — S. 25–31. Иванов В. Ф. Градусов А. Н. Алгоритм комплексирования сенсорных данных для задач автоматического управле- ния подвижным составом / В. Ф. Иванов, А. Л. Охотников, А. Н. Градусов // Автоматика на транспорте. — 2024. — Т. 10. — № 4. — С. 360–371. DOI: 10.20295/2412-9186- 2024-10-04-360-371. Ivanov V. F. Gradusov A. N. Algoritm kompleksirovaniya sensornyh dannyh dlya zadach avtomaticheskogo upravle- niya podvizhnym sostavom / V. F. Ivanov, A. L. Ohotnikov, A. N. Gradusov // Avtomatika na transporte. — 2024. — T. 10. — № 4. — S. 360–371. DOI: 10.20295/2412-9186- 2024-10-04-360-371. Казанская Л. Ф. Беспилотные поезда при грузовых и пас- сажирских железнодорожных перевозках / Л. Ф. Казанская, П. В. Алпаева, А. А. Щипицына // Транспортное дело России. — 2023. — № 6. — С. 128–131. Kazanskaya L. F. Bespilotnye poezda pri gruzovyh i pas- sazhirskih zheleznodorozhnyh perevozkah / L. F. Kazanskaya, P. V. Alpaeva, A. A. Schipicyna // Transportnoe delo Rossii. — 2023. — № 6. — S. 128–131. Розенберг Е. Н. Комплексные решения по повышению пропускной способности железных дорог / Е. Н. Розен- берг, И. Н. Розенберг, А. В. Озеров // Труды АО «НИИАС». — 2021. — Т. 1. — Вып. 11. — С. 32–47. Rozenberg E. N. Kompleksnye resheniya po povysheniyu propusknoy sposobnosti zheleznyh dorog / E. N. Rozen- berg, I. N. Rozenberg, A. V. Ozerov // Trudy AO «NIIAS». — 2021. — T. 1. — Vyp. 11. — S. 32–47. Алексеев А. С. Модель оценки показателей безопасно- сти функционирования автоматизированных систем диспетчерского управления движением поездов / А. С. Алексеев, А. В. Горелик, В. Ю. Горелик, А. В. Истомин и др. // Автоматизация в промышленности. — 2025. — № 1. — С. 10–13. Alekseev A. S. Model' ocenki pokazateley bezopasno- sti funkcionirovaniya avtomatizirovannyh sistem dispetcherskogo upravleniya dvizheniem poezdov / A. S. Alekseev, A. V. Gorelik, V. Yu. Gorelik, A. V. Istomin i dr. // Avtomatizaciya v promyshlennosti. — 2025. — № 1. — S. 10–13. Федоров В. А. Сверточные нейронные сети как инстру- мент обнаружения объектов железнодорожной инфра- структуры / В. А. Федоров, О. М. Огородникова // Автоматизация в промышленности. — 2024. — № 12. — С. 20–23. — DOI: 10.25728/avtprom.2024.12.04. Fedorov V. A. Svertochnye neyronnye seti kak instru- ment obnaruzheniya ob'ektov zheleznodorozhnoy infra- struktury / V. A. Fedorov, O. M. Ogorodnikova // Avtomatizaciya v promyshlennosti. — 2024. — № 12. — S. 20–23. — DOI: 10.25728/avtprom.2024.12.04. Fedorov V. A. AI-based train localization using railway infra- structure object detection / V. A. Fedorov // Transportation Development Research. — 2024. — Vol. 2. — Iss. 2. — Pp. 1–11. — DOI: 10.55121/tdr.v2i2.379. Fedorov V. A. AI-based train localization using railway infra- structure object detection / V. A. Fedorov // Transportation Development Research. — 2024. — Vol. 2. — Iss. 2. — Pp. 1–11. — DOI: 10.55121/tdr.v2i2.379. Faghih-Roohi S. Deep convolutional neural networks for detection of rail surface defects / S. Faghih-Roohi, S. Hajizadeh, A. Nunez // 2016 International joint confer- ence on neural networks (IJCNN). IEEE, July 2016. — Pp. 2584–2589. — DOI: 10.1109/IJCNN.2016.7727522. Faghih-Roohi S. Deep convolutional neural networks for detection of rail surface defects / S. Faghih-Roohi, S. Hajizadeh, A. Nunez // 2016 International joint confer- ence on neural networks (IJCNN). IEEE, July 2016. — Pp. 2584–2589. — DOI: 10.1109/IJCNN.2016.7727522. Zhao Y. A review on rail defect detection systems based on wireless sensors / Y. Zhao, Z. Liu, D. Yi // Sensors. — 2022. — Vol. 22. — Iss. 17. — P. 6409. — DOI: 10.3390/s22176409. Zhao Y. A review on rail defect detection systems based on wireless sensors / Y. Zhao, Z. Liu, D. Yi // Sensors. — 2022. — Vol. 22. — Iss. 17. — P. 6409. — DOI: 10.3390/s22176409. Wei X. Railway track fastener defect detection based on image processing and deep learning techniques: A com- parative study / X. Wei, Z. Yang, Y. Liu // Engineering Applications of Artificial Intelligence. — 2019. — Vol. 80. — Pp. 66–81. — DOI: 10.1016/j.engappai.2019.01.008. Wei X. Railway track fastener defect detection based on image processing and deep learning techniques: A com- parative study / X. Wei, Z. Yang, Y. Liu // Engineering Applications of Artificial Intelligence. — 2019. — Vol. 80. — Pp. 66–81. — DOI: 10.1016/j.engappai.2019.01.008. Wu Y. Automatic detection of arbitrarily oriented fastener defect in high-speed railway / Y. Wu, Y. Qin, Y. Qian // Automation in Construction. — 2021. — Vol. 131. — DOI: 10.1016/j.autcon.2021.103913. Wu Y. Automatic detection of arbitrarily oriented fastener defect in high-speed railway / Y. Wu, Y. Qin, Y. Qian // Automation in Construction. — 2021. — Vol. 131. — DOI: 10.1016/j.autcon.2021.103913. Сычугов А. Н. Применение нейронных сетей для рас- познавания объектов на железнодорожном транспор- те / А. Н. Сычугов, В. Н. Михейчиков, М. В. чернышов // Известия Петербургского университета путей сообще- ния. — 2023. — Т. 20. — Вып. 2. — С. 478–491. — DOI: 10.20295/1815-588X2023-2-478-491. Sychugov A. N. Primenenie neyronnyh setey dlya ras- poznavaniya ob'ektov na zheleznodorozhnom transpor- te / A. N. Sychugov, V. N. Miheychikov, M. V. chernyshov // Izvestiya Peterburgskogo universiteta putey soobsche- niya. — 2023. — T. 20. — Vyp. 2. — S. 478–491. — DOI: 10.20295/1815-588X2023-2-478-491. Fedorov V. A. Railway infrastructure instance segmentation based on convolutional neural networks / V. A. Fedorov // 2023 International Russian Automation Conference (RusAutoCon), IEEE, September 2023. — Pp. 443–447. — DOI: 10.1109/RusAutoCon58002.2023.10272908. Fedorov V. A. Railway infrastructure instance segmentation based on convolutional neural networks / V. A. Fedorov // 2023 International Russian Automation Conference (RusAutoCon), IEEE, September 2023. — Pp. 443–447. — DOI: 10.1109/RusAutoCon58002.2023.10272908. Ogorodnikova O. M., Method of ripe tomato detecting for a harvesting robot / O. M. Ogorodnikova, W. Ali // AIP Conference Proceedings, May 2019. — DOI: 10.1063/1.5134297. Ogorodnikova O. M., Method of ripe tomato detecting for a harvesting robot / O. M. Ogorodnikova, W. Ali // AIP Conference Proceedings, May 2019. — DOI: 10.1063/1.5134297. Everingham M. The Pascal visual object classes (VOC) chal- lenge / M. Everingham, L. Van Gool, C. K. Williams // International journal of computer vision. — 2010. — Vol. 88. — Pp. 303–338. — DOI: 10.1007/s11263-009-0275-4. Everingham M. The Pascal visual object classes (VOC) chal- lenge / M. Everingham, L. Van Gool, C. K. Williams // International journal of computer vision. — 2010. — Vol. 88. — Pp. 303–338. — DOI: 10.1007/s11263-009-0275-4.