Россия
Россия
Россия
Россия
Россия
Россия
Цель: в статье рассматривается подход к разработке системы контроля бдительности и действий машиниста с помощью технического зрения и нейросетевых моделей. Основной целью проводимых исследований является повышение безопасности железнодорожного транспорта. Методы: сбор данных из различных источников, аннотация, очистка и нормализация данных, обучение нейросети на основе видеозаписей лиц машинистов в различных состояниях и данных об их поведении. Алгоритмы обучения нейросетей на архитектуре сверточных нейронных сетей, методы обучения с учителем, методы сегментации масок и пропорциональное изменение размера области интереса, методы сегментации масок для определения контура объекта на изображении, алгоритмы глубокого обучения, такие как стохастический градиентный спуск и обратное распространение ошибки. Результаты: разработана система, которая определяет эмоциональное состояние машиниста на основе видеопотока в реальном времени, обнаруживая признаки усталости или отвлечения, предупреждая о возможных опасных ситуациях. Такой подход позволит оперативно реагировать на риски, которые возникают в процессе управления поездом, что позволяет повысить уровень безопасность движения поездов. Практическая значимость: разработанная система контроля бдительности и действий машиниста может быть внедрена на локомотивах или моторвагонном подвижном составе для реального мониторинга и предотвращения аварийных ситуаций.
система, машинист, машинное обучение, безопасность, железнодорожный транспорт, анализ данных, нейросеть, аварии, предупреждение
1. Щербина Н. В. Регуляция функционального состояния машинистов локомотивных бригад с применением БОС-тренинга: факторный анализ экспериментальных данных // Доклады Белорусского государственного университета информатики и радиоэлектроники. 2021. Т. 19, № 4. С. 28–36.
2. Орлова Н. В. Анализ факторов риска и профилактика нарушений ритма сердца у машинистов локомотивов железнодорожного транспорта // Материалы XI Всероссийской научно-практической конференции с международным участием. Анализ риска здоровью — 2021. Внешнесредовые, социальные, медицинские и поведенческие аспекты. 2021. С. 132.
3. Руководство по управлению безопасностью полетов DOC 9859, изд. 4 // ICAO, Канада, 2018. 218 с.
4. Комплект оборудования системы контроля дееспособности вахтенного помощника капитана СКДВП: руководство по эксплуатации ННПМ.468214.001РЭ // МРС Электроникс, Нижний Новгород, 2017. 36 с.
5. Бонч-Бруевич В. В., Дементиенко В. В., Кремез А. С. и др. Дистанционный контроль бодрствования водителя в рейсе // Автоматизация в промышленности. 2015. № 2.
6. Самофалов И. В., Нефедьев А. И. Интеллектуальная система контроля психоэмоционального состояния водителя автотранспортного средства // Энерго- и ресурсосбережение: промышленность и транспорт. 2020. № 2.
7. Поспелов П. И., Таташев А. Г., Трофименко Ю. В. и др. Подход к исследованию факторов риска совершения нарушений, связанных с использованием смартфонов во время вождения // T-Comm. 2021. № 12 [Электронный ресурс]. URL: https://cyberleninka.ru/article/n/ podhod-k-issledovaniyu-faktorov- riska-soversheniya- narusheniy-svyazannyh- s-ispolzovaniem-smartfonov-vo-vremya-vozhdeniya
8. Мяктов И. В., Шалев В. С. Усовершенствованная система проверки бодрствования машиниста // Молодежная наука. 2022. С. 241–244.
9. Нероденко А. А. Безопасности движения поездов, оснащенных приборами КЛУБ-У // Проблемы и основные направления развития высшего технического образования. 2022. С. 43–47.
10. Кравчук Д. А. Ультразвуковая система контроля психофизиологического состояния машиниста поезда // Известия Юго-Западного государственного университета. Медицинское приборостроение. 2020. Т. 10. № 1. С. 134–142.
11. Хромов С. К., Кулагин М. А., Сидоренко В. Г. Автоматизация сопровождения пользователей автоматизированных систем управления на базе машинного обучения // Новые информационные технологии в исследовании сложных структур. 2020. С. 74–75.
12. Dai J. Real-time and accurate object detection on edge device with TensorFlow Lite // Journal of physics: conference series. IOP Publishing, 2020. Т. 1651, no. 1. P. 012114.
13. Cui Y. Multi-EmoNet: a novel multi-task neural network for driver emotion recognition // IFAC-PapersOnLine. 2020. Т. 53, no. 5. P. 650–655.
14. Duth P. S., Poojashree B. S. Human Activity Detection Using Pose Net // International Conference on Futuristic Technologies (INCOFT). IEEE, 2022. P. 1–5.
