Россия
Россия
В статье представлено комплексное исследование конфигураций модели сверточной нейронной сети YOLOv11 применительно к задачам сегментации объектов техническим зрением в автоматизированных системах управления железнодорожным подвижным составом. Основное внимание уделено оценке производительности и качества обработки изображений, выполняемой различными конфигурациями модели. Выполнен сравнительный анализ 25 конфигураций YOLOv11, которые различаются архитектурой и разрешением входного изображения в интервале от 640 640 до 1920 1920 пикселей. Для обучения моделей был создан специализированный набор визуальных данных, в котором 20 000 аннотированных изображений железнодорожной инфраструктуры распределены по 40 классам объектов. Все обученные модели были оценены по точности сегментации с использованием метрики mAP (0,5–0,95) и по производительности. Полученные результаты позволяют выбрать конфигурацию модели YOLOv11 с наиболее подходящими параметрами для использования в составе бортовых систем технического зрения для автоматизированных систем управления железнодорожным подвижным составом в зависимости от предъявляемых требований к точности сегментации объектов и мощности доступных вычислительных ресурсов.
техническое зрение; автоматизированная система управления; железнодорожный подвижной состав; обнаружение объектов; сегментация объектов; сверточная нейронная сеть; YOLOv11
1. Охотников А. Л. Проекты развития систем автоматиче- ского управления движением поездов / А. Л. Охотников, И. А. Волкова // Интеллектуальные системы и техноло- гии на транспорте. — 2023. — № 1(25). — С. 25–31.
2. Иванов В. Ф. Градусов А. Н. Алгоритм комплексирования сенсорных данных для задач автоматического управле- ния подвижным составом / В. Ф. Иванов, А. Л. Охотников, А. Н. Градусов // Автоматика на транспорте. — 2024. — Т. 10. — № 4. — С. 360–371. DOI:https://doi.org/10.20295/2412-9186- 2024-10-04-360-371.
3. Казанская Л. Ф. Беспилотные поезда при грузовых и пас- сажирских железнодорожных перевозках / Л. Ф. Казанская, П. В. Алпаева, А. А. Щипицына // Транспортное дело России. — 2023. — № 6. — С. 128–131.
4. Розенберг Е. Н. Комплексные решения по повышению пропускной способности железных дорог / Е. Н. Розен- берг, И. Н. Розенберг, А. В. Озеров // Труды АО «НИИАС». — 2021. — Т. 1. — Вып. 11. — С. 32–47.
5. Алексеев А. С. Модель оценки показателей безопасно- сти функционирования автоматизированных систем диспетчерского управления движением поездов / А. С. Алексеев, А. В. Горелик, В. Ю. Горелик, А. В. Истомин и др. // Автоматизация в промышленности. — 2025. — № 1. — С. 10–13.
6. Федоров В. А. Сверточные нейронные сети как инстру- мент обнаружения объектов железнодорожной инфра- структуры / В. А. Федоров, О. М. Огородникова // Автоматизация в промышленности. — 2024. — № 12. — С. 20–23. — DOI:https://doi.org/10.25728/avtprom.2024.12.04.
7. Fedorov V. A. AI-based train localization using railway infra- structure object detection / V. A. Fedorov // Transportation Development Research. — 2024. — Vol. 2. — Iss. 2. — Pp. 1–11. — DOI:https://doi.org/10.55121/tdr.v2i2.379.
8. Faghih-Roohi S. Deep convolutional neural networks for detection of rail surface defects / S. Faghih-Roohi, S. Hajizadeh, A. Nunez // 2016 International joint confer- ence on neural networks (IJCNN). IEEE, July 2016. — Pp. 2584–2589. — DOI:https://doi.org/10.1109/IJCNN.2016.7727522.
9. Zhao Y. A review on rail defect detection systems based on wireless sensors / Y. Zhao, Z. Liu, D. Yi // Sensors. — 2022. — Vol. 22. — Iss. 17. — P. 6409. — DOI:https://doi.org/10.3390/s22176409.
10. Wei X. Railway track fastener defect detection based on image processing and deep learning techniques: A com- parative study / X. Wei, Z. Yang, Y. Liu // Engineering Applications of Artificial Intelligence. — 2019. — Vol. 80. — Pp. 66–81. — DOI:https://doi.org/10.1016/j.engappai.2019.01.008.
11. Wu Y. Automatic detection of arbitrarily oriented fastener defect in high-speed railway / Y. Wu, Y. Qin, Y. Qian // Automation in Construction. — 2021. — Vol. 131. — DOI:https://doi.org/10.1016/j.autcon.2021.103913.
12. Сычугов А. Н. Применение нейронных сетей для рас- познавания объектов на железнодорожном транспор- те / А. Н. Сычугов, В. Н. Михейчиков, М. В. чернышов // Известия Петербургского университета путей сообще- ния. — 2023. — Т. 20. — Вып. 2. — С. 478–491. — DOI:https://doi.org/10.20295/1815-588X2023-2-478-491.
13. Fedorov V. A. Railway infrastructure instance segmentation based on convolutional neural networks / V. A. Fedorov // 2023 International Russian Automation Conference (RusAutoCon), IEEE, September 2023. — Pp. 443–447. — DOI:https://doi.org/10.1109/RusAutoCon58002.2023.10272908.
14. Ogorodnikova O. M., Method of ripe tomato detecting for a harvesting robot / O. M. Ogorodnikova, W. Ali // AIP Conference Proceedings, May 2019. — DOI:https://doi.org/10.1063/1.5134297.
15. Everingham M. The Pascal visual object classes (VOC) chal- lenge / M. Everingham, L. Van Gool, C. K. Williams // International journal of computer vision. — 2010. — Vol. 88. — Pp. 303–338. — DOI:https://doi.org/10.1007/s11263-009-0275-4.
