АННОТАЦИЯ
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.
КЛЮЧЕВЫЕ СЛОВА
Нейронная сеть, цифровые технологии, подвижной состав, алгоритм, техническое зрение
