Россия
сотрудник
Россия
Россия
Россия
Россия
УДК 004.93 Распознавание и преобразование образов
УДК 656.2 Эксплуатация железнодорожного транспорта
В статье рассматривается подход к построению интеллектуальной системы обнаружения аномальных объектов в железнодорожной зоне по видеопотоку в реальном времени. Актуальность исследования обусловлена необходимостью повышения оперативности и объективности контроля состояния железнодорожной инфраструктуры и подвижного состава, а также снижения влияния человеческого фактора при анализе визуальной информации. В отличие от задач классической детекции заранее известных объектов, в работе акцент сделан на выявлении отклонений от штатного состояния наблюдаемой сцены, что позволяет рассматривать широкий класс потенциально опасных и технологически нештатных ситуаций. Предложена формализованная постановка задачи обнаружения аномальных объектов, определены основные элементы структурно-функциональной схемы системы и описан алгоритм обработки видеопотока, включающий выделение контролируемой зоны, извлечение признаков, вычисление меры аномальности, классификацию и временную верификацию обнаруженных событий. Показано, что предложенный подход может применяться как при использовании беспилотных авиационных систем, так и при стационарном размещении видеокамер. Особое внимание уделено требованиям к работе системы в реальном времени и к формированию интегрального критерия принятия решения. Сделан вывод о перспективности предложенного подхода для последующей экспериментальной верификации и интеграции в контуры интеллектуального мониторинга объектов железнодорожного транспорта.
интеллектуальный видеомониторинг, железнодорожная инфраструктура, аномальные объекты, компьютерное зрение, обработка видеопотока, работа в реальном времени, беспилотные авиационные системы, автоматизация контроля
1. A literature review of Artificial Intelligence applications in railway systems / R. Tang [et al.] // Transportation Research Part C: Emerging Technologies. 2022. Vol. 140. Art. 103679. DOI:https://doi.org/10.1016/j.trc.2022.103679
2. Artificial intelligence in railway infrastructure: current research, challenges, and future opportunities / W. Phusakulkajorn [et al.] // Intelligent Transportation Infrastructure. 2023. Vol. 2. Art. liad016. DOI:https://doi.org/10.1093/iti/liad016
3. Anomaly Analysis in Images and Videos: A Comprehensive Review / T. M. Tran [et al.] // ACM Computing Surveys. 2022. Vol. 55, no. 7. Art. 148. Pp. 1–37. DOI:https://doi.org/10.1145/3544014
4. Generalized Video Anomaly Event Detection: Systematic Taxonomy and Comparison of Deep Models / Y. Liu [et al.] // ACM Computing Surveys. 2024. Vol. 56, no. 7. Art. 189. Pp. 1–38. DOI:https://doi.org/10.1145/3645101
5. Wang Y., Yu P. A Fast Intrusion Detection Method for High-Speed Railway Clearance Based on Low-Cost Embedded GPUs // Sensors. 2021. Vol. 21, no. 21. Art. 7279. DOI:https://doi.org/10.3390/s21217279
6. Automatic Obstacle Detection Method for the Train Based on Deep Learning / Q. Zhang [et al.] // Sustainability. 2023. Vol. 15, no. 2. Art. 1184. DOI:https://doi.org/10.3390/su15021184
7. SDRC-YOLO: A Novel Foreign Object Intrusion Detection Algorithm in Railway Scenarios / C. Meng [et al.] // Electronics. 2023. Vol. 12, no. 5. Art. 1256. DOI: 10.3390/ electronics12051256
8. Survey on Multi-Sensor Fusion Perimeter Intrusion Detection in High-Speed Railways / T. Shi [et al.] // Sensors. 2024. Vol. 24, no. 17. Art. 5463. DOI:https://doi.org/10.3390/s24175463
9. Qi M., Wu Y. Weakly supervised video anomaly detection based on hyperbolic space // Scientific Reports. 2024. Vol. 14. Art. 26348. DOI:https://doi.org/10.1038/s41598-024-77505-4
10. RailFDNet: A hybrid supervision and feature discrepancy enhancement model for railway anomalous object detection / T. Sun [et al.] // Expert Systems with Applications. 2025. Vol. 275. Art. 127005. DOI:https://doi.org/10.1016/j. eswa.2025.127005
11. Сацюк А. В., Швалов Д. В. Автономное наведение БПЛА с использованием компьютерного зрения: проблема точного управления рулями // Автоматика на транспорте. 2024. Т. 10, № 4. С. 372–381. DOI:https://doi.org/10.20295/2412– 9186-2024-10-04-372-381
12. Липанов И. Д., Хомоненко А. Д. Технологии и методы планирования перемещения БПЛА по маршрутным точкам // Интеллектуальные технологии на транспорте. 2024. № 3 (39). С. 30–43. DOI:https://doi.org/10.20295/2413-2527- 2024-339-30-43
13. Горбачев Р. А., Зарипов М. Н., Шишков Д. Л. Интеллектуальная система технического зрения для обнаружения препятствий и предсказания поведения движущихся объектов на железнодорожных путях // Известия ЮФУ. Технические науки. 2022. № 1 (225). С. 256–268. DOI:https://doi.org/10.18522/2311-3103-2022-1-256-268
14. Помехозащищенность интеллектуальных транспортных систем технического зрения для анализа изображений железнодорожной инфраструктуры / М. А. Кулагин [и др.] // Автоматика на транспорте. 2025. Т. 11, № 4. С. 313–326. DOI:https://doi.org/10.20295/2412-9186-2025-11-04- 313–326
15. LiDAR-Camera joint obstacle detection algorithm for railway track area / Z. Nan [et al.] // Expert Systems with Applications. 2025. Vol. 275. Art. 127089. DOI:https://doi.org/10.1016/j. eswa.2025.127089
16. Railway Intrusion Risk Quantification with Track Semantic Segmentation and Spatiotemporal Features / S. Ning [et al.] // Sensors. 2025. Vol. 25, no. 17. Art. 5266. DOI:https://doi.org/10.3390/s25175266
17. Погрешности измерения расстояния до препятствия средствами технического зрения и прогноза пути торможения в беспилотных системах управления движением поездов / Л. А. Баранов [и др.] // Мир транспорта. 2021. Т. 19. № 6 (97). С. 6–12. DOI:https://doi.org/10.30932/1992-3252- 2021-19-6-1
