Intellectual Technologies on Transport Intellectual Technologies on Transport Интеллектуальные технологии на транспорте 2413-2527 106894 10.20295/2413-2527-2025-444-89-98 rlqion МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И СИСТЕМНЫЙ АНАЛИЗ MATHEMATICAL MODELLING AND SYSTEM ANALYSIS МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И СИСТЕМНЫЙ АНАЛИЗ Practical Comparison of Computer Vision and Deep Learning Methods for the Binary Image Classification Task Практическое сравнение методов компьютерного зрения и глубокого обучения в задаче бинарной классификации изображений Лохвицкий Владимир Александрович Lokhvitsky Vladimir Aleksandrovich vovan296@mail.ru

доктор технических наук;

doctor of technical sciences;

 Яковлев Евгений Леонидович Yakovlev Evgeny Leonidovich 79112249163@yandex.ru

кандидат технических наук;

candidate of technical sciences;

 Бушев Илья Владимирович Bushev Ilya Vladimirovich bushev-ilya123@mail.ru Военно-космическая академия имени А. Ф. Можайского Санкт-Петербург Россия Mozhaisky Military Aerospace Academy Saint Petersburg Russian Federation Военно-космическая академия имени А. Ф. Можайского Санкт-Петербург Россия Mozhaisky Military Aerospace Academy Saint Petersburg Russian Federation Военно-космическая академия имени А. Ф. Можайского Санкт-Петербург Россия Mozhaisky Military Aerospace Academy Saint Petersburg Russian Federation 15 12 2025 15 12 2025 4 89 98 20 11 2025 25 11 2025 https://itt-pgups.ru/en/nauka/article/106894/view

Задачи бинарной классификации изображений широко применяются в инженерных и производственных системах, включая автоматизированный контроль, техническое зрение и мониторинг объектов. При усложнении условий съемки и увеличении объемов данных возникает необходимость сравнения классических алгоритмов компьютерного зрения и нейросетевых методов глубокого обучения с целью выбора оптимального. Цель: провести практическое сравнение эффективности классического алгоритма обработки изображений и нейросетевой модели YOLO при решении задачи бинарной классификации. Методы: традиционная обработка изображений на основе пороговой фильтрации, морфологических операций и анализа геометрических признаков, а также модель детекции YOLO, обученная на размеченной выборке. Результаты: классический алгоритм показал высокую скорость обработки и достаточную точность при стабильном освещении, однако продемонстрировал значительное падение качества при изменении условий съемки. Модель YOLO обеспечила более высокие показатели точности, устойчивость к фотометрическим и геометрическим вариациям, а также стабильную работу при наличии дополнительных шумов. Практическая значимость: результаты могут быть использованы при проектировании систем компьютерного зрения, выборе оптимального алгоритма под конкретные условия эксплуатации, а также создании гибридных систем, объединяющих преимущества классических и нейросетевых методов. Обсуждение: исследование подтверждает, что классические методы эффективно работают в условиях ограниченных ресурсов, но чувствительны к внешним факторам. Нейросетевые подходы, напротив, обеспечивают высокую обобщающую способность и устойчивость, что делает их предпочтительными при нестабильных условиях съемки. Новизна работы заключается в сравнении методов в идентичных условиях обработки с акцентом на практические показатели, что позволяет объективно оценить область применения каждого подхода.

Binary image classification tasks are widely employed in engineering and manufacturing systems, including automated control, machine vision, and object monitoring. As the complexity of imaging conditions increases and data volumes expand, it becomes essential to evaluate classical computer vision algorithms alongside deep learning neural network methods to identify the most effective method. Purpose: to perform a practical comparison of the effectiveness of a traditional image processing algorithm and the YOLO neural network model for addressing the binary classification challenge. Methods: traditional image processing techniques, including threshold filtering, morphological operations, and geometric feature analysis, as well as the YOLO detection model trained on a labeled dataset. Results: the classical algorithm has demonstrated high processing speed and adequate accuracy under stable lighting conditions; however, it has exhibited a pronounced decline in performance when imaging conditions changed. In contrast, the YOLO model has demonstrated enhanced accuracy, resilience to both photometric and geometric variations, and consistent performance even in the presence of extraneous noise. Practical significance: the results can guide the development of computer vision systems, aid in the selection of the optimal algorithm for specific operational scenarios, and facilitate the creation of hybrid systems that combine the strengths of both traditional and neural network methods. Discussion: this study confirms that while traditional methods are effective in resource-constrained environments, they are vulnerable to external influences. Conversely, neural network approaches offer superior generalization and stability, making them more advantageous in fluctuating imaging conditions. The novelty of the research lies in the comparative analysis of these methods under identical processing parameters, with a particular focus on practical indicators. This approach facilitates an objective assessment of the applicability domain inherent to each method.

 компьютерное зрение глубокое обучение YOLO бинарная классификация анализ изображений обработка изображений нейросетевые методы computer vision deep learning YOLO binary classification image analysis image processing neural network methods

Сеничев А. В., Новикова А. И., Васильев П. В. Сравнение глубокого обучения с традиционными методами компьютерного зрения в задачах идентификации дефектов // Молодой исследователь Дона. 2020. № 4 (25). С. 64–67. Senichev A. V., Novikova A. I., Vasilyev P. V. Sravnenie glubokogo obucheniya s traditsionnymi metodami kompyuternogo zreniya v zadachakh identifikatsii defektov [Comparison of Deep Learning with Traditional Methods of Computer Vision in the Problems of Defects Identification], Molodoy issledovatel Dona [Young Researcher of Don], 2020, No. 4 (25), Pp. 64–67. (In Russian) Полковникова Н. А. Исследование методов и алгоритмов компьютерного зрения на основе сверточных и рекуррентных нейронных сетей // Эксплуатация морского транспорта. 2020. № 3 (96). С. 154–168. DOI: 10.34046/aumsuomt96/21. Polkovnikova N. A. Issledovanie metodov i algoritmov kompyuternogo zreniya na osnove svertochnykh i rekurrentnykh neyronnykh setey [Research of Methods and Algorithms of Computer Vision Based on Convolutional and Recurrent Neural Networks], Ekspluatatsiya morskogo transporta [Marine Transport Operation], 2020, No. 3 (96), Pp. 154–168. DOI: 10.34046/aumsuomt96/21. (In Russian) Саксонов П. В., Бауман А. А. Обзор методов машинного обучения // Современные тенденции и инновации в науке и производстве: материалы XII Международной научно-практической конференции (Междуреченск, Россия, 26 апреля 2023 г.). Междуреченск: Кузбасский гос. технический ун-т им. Т. Ф. Горбачева, 2023. С. 444-1–444-6. Saksonov P. V., Bauman A. A. Obzor metodov mashinnogo obucheniya [Overview of Machine Learning Methods], Sovremennye tendentsii i innovatsii v nauke i proizvodstve: materialy XII Mezhdunarodnoy nauchno-prakticheskoy konferentsii [Modern Trends and Innovations in Science and Production: Proceedings of the XII International Scientific and Practical Conference], Mezhdurechensk, Russia, April 26, 2023. Mezhdurechensk, T. F. Gorbachev Kuzbass State Technical University, 2023. Pp. 444-1–444-6. (In Russian) Гонсалес Р. С., Вудс Р. Е. Цифровая обработка изображений = Digital Image Processing. Third Edition / пер. с англ. Л. И. Рубанова и П. А. Чочиа. 3-е изд., испр. и доп. М.: Техносфера, 2012. 1104 с. Gonzalez R. C., Woods R. E. Tsifrovaya obrabotka izobrazheniy [Digital Image Processing. Third Edition]. Moscow, Tekhnosphera Publishing House, 2012, 1104 p. (In Russian) Сеничев А. В., Новиков С. С. Методы компьютерного зрения и их применение в анализе изображений. М.: ИПРАН РАН, 2020. 142 с. Senichev A. V., Novikov S. S. Metody kompyuternogo zreniya i ikh primenenie v analize izobrazheniy [Computer vision methods and their application in image analysis]. Moscow, Institute for the Study of Science of the RAS, 2020, 142 p. (In Russian) Bradski G., Kaehler A. Learning OpenCV: Computer Vision with the OpenCV Library. Sebastopol (CA): O’Reilly Media, 2008. 575 p. Bradski G., Kaehler A. Learning OpenCV: Computer Vision with the OpenCV Library. Sebastopol (CA), O’Reilly Media, 2008, 575 p. Redmon J., Farhadi A. YOLOv3: An Incremental Improvement // ArXiv. 2018. Vol. 1804.02767. 6 p. DOI: 10.48550/arXiv.1804.02767. Redmon J., Farhadi A. YOLOv3: An Incremental Improvement, ArXiv, 2018, Vol. 1804.02767, 6 p. DOI: 10.48550/arXiv.1804.02767. Caballar R. D., Stryker C. What is Computer Vision? URL: http://www.ibm.com/think/topics/computer-vision (дата обращения: 07.11.2025). Caballar R. D., Stryker C. What is Computer Vision? Available at: http://www.ibm.com/think/topics/computer-vision (accessed: November 07, 2025). Patel M. The Complete Guide to Image Preprocessing Techniques in Python. URL: http://readmedium.com/the-complete-guide-to-image-preprocessing-techniques-in-python-dca30804550c (дата обращения: 07.11.2025). Patel M. The Complete Guide to Image Preprocessing Techniques in Python. Available at: http://readmedium.com/the-complete-guide-to-image-preprocessing-techniques-in-python-dca30804550c (accessed: November 07, 2025). Thresholding (Image Processing) // Wikipedia. Last update 12 November 2025. URL: http://en.wikipedia.org/wiki/Thresholding_(image_processing) (дата обращения: 16.11.2025). Thresholding (Image Processing), Wikipedia. Last update November 12, 2025. Available at: http://en.wikipedia.org/wiki/Thresholding_(image_processing) (accessed: November 16, 2025). Mathematical Morphology // Wikipedia. Last update 08 November 2025. URL: http://en.wikipedia.org/wiki/Mathematical_morphology (дата обращения: 16.11.2025). Mathematical Morphology, Wikipedia. Last update November 08, 2025. Available at: http://en.wikipedia.org/wiki/Mathematical_morphology (accessed: November 16, 2025). Bradski G. The OpenCV Library // Dr. Dobb’s Journal Software Tools. 2000. Vol. 25, Iss. 11. Pp. 120–125. Bradski G. The OpenCV Library, Dr. Dobb’s Journal Software Tools, 2000, Vol. 25, Iss. 11, Pp. 120–125. PyTorch: An Imperative Style, High-Performance Deep Learning Library / A. Paszke, S. Gross, F. Massa [et al.] // Advances in Neural Information Processing Systems 32: Proceeding of the 33rd Conference on Neural Information Processing Systems (NeurIPS 2019), (Vancouver, Canada, 08–14 December 2019). NeurIPS Foundation, 2019. Pp. 8024–8035. Paszke A., Gross S., Massa F., et al. PyTorch: An Imperative Style, High-Performance Deep Learning Library, Advances in Neural Information Processing Systems 32: Proceeding of the 33rd Conference on Neural Information Processing Systems (NeurIPS 2019), Vancouver, Canada, December 08–14, 2019. NeurIPS Foundation, 2019. Pp. 8024–8035. Hunter J. D. Matplotlib: A 2D Graphics Environment // Computing in Science and Engineering. 2007. Vol. 9, Iss. 3. Pp. 90–95. DOI: 10.1109/MCSE.2007.55. Hunter J. D. Matplotlib: A 2D Graphics Environment, Computing in Science and Engineering, 2007, Vol. 9, Iss. 3, Pp. 90–95. DOI: 10.1109/MCSE.2007.55. Turay T., Vladimirova T. Toward Performing Image Classification and Object Detection with Convolutional Neural Networks in Autonomous Driving Systems: A Survey // IEEE Access. 2022. Vol. 10. Pp. 14076–14119. DOI: 10.1109/ACCESS.2022.3147495. 15. Turay T., Vladimirova T. Toward Performing Image Classification and Object Detection with Convolutional Neural Networks in Autonomous Driving Systems: A Survey, IEEE Access, 2022, Vol. 10, Pp. 14076–14119. DOI: 10.1109/ACCESS.2022.3147495. Powers D. M. W. Evaluation: From Precision, Recall and F-measure to ROC, Informedness, Markedness and Correlation // Journal of Machine Learning Technologies. 2011. Vol. 2, Iss.1. Pp. 37–63. Powers D. M. W. Evaluation: From Precision, Recall and F-measure to ROC, Informedness, Markedness and Correlation, Journal of Machine Learning Technologies, 2011, Vol. 2, Iss.1, Pp. 37–63. Клетте Р. Компьютерное зрение. Теория и алгоритмы = Concise Computer Vision. An Introduction into Theory and Algorithms / пер. с англ. А. А. Слинкина. М.: ДМК Пресс, 2019. 506 с. Klette R. Kompyuternoe zrenie. Teoriya i algoritmy [Concise Computer Vision. An Introduction into Theory and Algorithms]. Moscow, DMK Press Publishing House, 2019, 506 p. (In Russian)