Россия
Россия
Россия
УДК 004.93 Распознавание и преобразование образов
УДК 656.2 Эксплуатация железнодорожного транспорта
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.
семантическая сегментация, сверточные нейронные сети, трансформеры, техническое зрение, железнодорожная инфраструктура, искусственный интеллект
1. 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:https://doi.org/10.26731/1813-9108.2022.4(76).92-100. EDN WFQNPA
2. Роботизация на железнодорожном транспорте / А. И. Долгий [и др.] // Интеллектуальный транспорт. 2025. Т. 9, № 3 (35). С. 4–32. EDN JCBFIE
3. 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:https://doi.org/10.21683/1729-2646-2025-25-1-4-10. EDN DTBFTK
4. Корнев Д. А. Моделирование сетей передачи данных в интеллектуальной системе управления движением поездов // Известия Транссиба. 2023. № 3 (55). С. 141– 154. EDN QICJOC
5. Осипов Д. В. Машинное зрение на транспорте: перспективы и применение // Экономика железных дорог. 2023. № 8. С. 71–75. EDN IAHQWG
6. 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:https://doi.org/10.33764/2618-981X‑2024-1-116-121. EDN FQOUYJ
7. 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:https://doi.org/10.21683/1729-2646-2025-25-3-50-59. EDN QGPPKI
8. Комплексная безопасность АСУ ТП объектов КИИ железнодорожного транспорта / П. А. Попов [и др.] // Надежность. 2024. Т. 24, № 4. С. 48–57. DOI:https://doi.org/10.21683/1729– 2646-2024-24-4-48-57. EDN YKHBOB
9. Баранов Л. А., Сафронов А. И., Сидоренко В. Г. Развитие интеллектуальных систем управления электрическим транспортом // Автоматика, связь, информатика. 2025. № 10. С. 30–32. DOI:https://doi.org/10.62994/AT.2025.10.10.007. EDN BOSBZK
10. 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
11. 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:https://doi.org/10.30932/9785002446094-2024-626- 630. EDN OUMPCR
12. 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
13. 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
14. 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:https://doi.org/10.18287/2412–6179-CO‑1563. EDN JUAWIT
15. 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:https://doi.org/10.20295/2412-9186-2025-11-03-239- 249. EDN IUNEIX
16. Deep Residual Learning for Image Recognition / K. He [et al.] // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016 DOI:https://doi.org/10.1109/CVPR.2016.90
17. Tan M., Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks // International Conference on Machine Learning (ICML). 2019. DOI:https://doi.org/10.48550/arXiv.1905.11946
18. Densely Connected Convolutional Networks / G. Huang [et al.] // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. DOI:https://doi.org/10.1109/CVPR.2017.243
19. 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:https://doi.org/10.1007/978-3-319-24574-4_28
20. 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:https://doi.org/10.1007/978-3-030-00889-5_1
21. Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation / Chen L.-C. [et al.] // European Conference on Computer Vision (ECCV), 2018. DOI:https://doi.org/10.48550/arXiv.1802.02611
22. 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:https://doi.org/10.1109/TGRS.2021.3093977
23. SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers / E. Xie [et al.] // Conference on Neural Information Processing Systems (NeurIPS). 2021. DOI:https://doi.org/10.48550/arXiv.2105.15203
24. Popov P. A., Ozerov A. V., Marshova A. S. Prospects of autonomous railway transport development, BRIСS Transport. 2024 № 3 (3). Pp. 1–14. DOI:https://doi.org/10.46684/2024.3.4. EDN: https://elibrary.ru/HPYXEZ
