Россия
Цель: С помощью систем технического зрения и нейросетей, таких как YOLOv8 и MASK R-CNN, можно быстро и точно обнаруживать предметы, которые могут привести к аварии или задержке поездов. YOLOv8 — это один из самых популярных алгоритмов обнаружения объектов в реальном времени, который использует глубокие нейронные сети для классификации и локализации объектов. YOLOv8 может обнаруживать объекты на изображениях и видео с высокой скоростью и точностью. Эта модель может работать на различных аппаратных платформах, включая мобильные устройства и компьютеры. MASK R-CNN — это еще более продвинутый алгоритм обнаружения объектов, который имеет способность выделять объекты и их контуры с высокой точностью. MASK R-CNN использует сверточные нейронные сети и методы сегментации масок для обнаружения объектов. Он может работать как в режиме реального времени, так и на статических изображениях. Когда системы технического зрения оснащены нейросетями YOLOv8 и MASK R-CNN, они могут оперативно реагировать на посторонние объекты, которые появляются на рельсах. Целью статьи является разработка алгоритмов обнаружения объектов железнодорожного транспорта и препятствий с помощью технического зрения и нейронных сетей, оценка эффективности алгоритмов. Методы: Алгоритм YOLOv8 основан на архитектуре сверточных нейронных сетей и использует методы обучения с учителем. Эта модель принимает изображение в качестве входных данных и выдает оценки вероятности того, что на изображении присутствует определенный объект в режиме реального времени. Для этого YOLOv8 использует методы определения областей интереса (ROI), позволяющие определить области изображения, на которых могут быть расположены объекты. Алгоритм MASK R-CNN использует более сложные методы, такие как методы сегментации масок и пропорциональное изменение размера области интереса (RoIAlign), что позволяет получать более точные результаты выделения объектов на изображениях и видео. Он также основан на сверточных нейронных сетях и использует методы обучения с учителем. MASK R-CNN использует методы сегментации масок для определения контура объекта на изображении, а также метод RoIAlign, который позволяет получить лучшее качество при обработке различных размеров изображений. Общими математическими методами, которые используются в YOLOv8 и MASK R-CNN, являются методы сверточной нейронной сети, обучения с учителем и оптимизации функции потерь. Они основаны на алгоритмах глубокого обучения, таких как стохастический градиентный спуск и обратное распространение ошибки. Результаты: Алгоритм обнаружения посторонних объектов на пути следования подвижного состава с помощью системы технического зрения, расчет оценки качества работы нейронных сетей, сформированы матрицы ошибок, получены результаты обработки нейронных сетей. Практическая значимость: Разработан алгоритм обнаружения посторонних объектов на пути следования подвижного состава с помощью системы технического зрения, обучены две нейронные сети для обнаружения объектов железнодорожного транспорта и препятствий на пути.
Нейронная сеть, цифровые технологии, подвижной состав, алгоритм, техническое зрение
1. РЖД-Технологии. - URL: https://www.rzdtech.ru/ (дата обращения 21.03.2023).
2. Розенберг Е. Н. Цифровая экономика и цифровая железная дорога / В. И. Уманский, Ю. В. Дзюба // Транспорт Российской Федерации. Журнал о науке, практике, экономике. - 2017. - С. 46. - URL: https://cyberleninka.ru/article/n/tsifrovaya-ekonomika-i-tsifrovaya-zheleznaya-doroga/viewer (дата обращения: 21.03.2023).
3. Машинное зрение на железнодорожном транспорте (РЖД): Cognitive Rail Pilot. - URL: https://rzddigital.ru/technology/mashinnoe-zrenie/ (дата обращения: 23.03.2023).
4. Искусственные нейронные сети на железнодорожном транспорте (РЖД): цифровой помощник маневрового диспетчера, Cognitive Rail Pilot. - URL: https://rzddigital.ru/technology/iskusstvennye-neyronnye-seti/.
5. Cognitive Rail Pilot. - URL: https://www.tadviser.ru/index.php/Продукт:Cognitive_Rail_Pilot?ysclid=lfwl90xh5o174644139_tadviser.ru.
6. ИСУДП «Прогноз». - URL: https://pt.2035.university/project/isudp-prognoz.
7. Система оптимизации движения ж/д транспорта «Прогноз». - URL: https://ai.mipt.ru/projects/sistema_optimizatsii_dvizheniya_zh_d_transporta_prognoz.
8. Расписание за 5 секунд: как нейросеть оптимизирует движение ж/д транспорта. - URL: https://itnan.ru/post.php?c=1&p=670530.
9. Roboflow. - URL: https://app.roboflow.com/.
10. Batch-normalization. - URL: https://neerc.ifmo.ru/wiki/index.php?title=Batch-normalization.
11. Исключение (нейронные сети). - URL: https://ru.wikipedia.org/wiki/Исключение_(нейронные_сети).
12. Метрики в задачах машинного обучения. - URL: https://habr.com/ru/company/ods/blog/328372/.
13. Матрица ошибок. - URL: https://help.sap.com/docs/SAP_PREDICTIVE_ANALYTICS/41d1a6d4e7574e32b815f1cc87c00f42/9c144a376f004058b4e9fe56727359af.html?version=3.2.
