(49-3) 10 * << * >> * Русский * English * Содержание * Все выпуски

Исследование нейросетевых алгоритмов распознавания объектов железнодорожной инфраструктуры на видеоизображениях
Е.В. Медведева 1, А.А. Перевощикова 1

1 Вятский государственный университет,
610000, Россия, г. Киров, ул. Московская, д. 36

  PDF, 3797 kB

DOI: 10.18287/2412-6179-CO-1563

Страницы: 443-450.

Аннотация:
В статье разработаны два нейросетевых алгоритма распознавания объектов железнодорожной инфраструктуры на видеоизображениях. Оба алгоритма направлены на повышение безопасности движения железнодорожного транспорта. Первый алгоритм – это детектирование объектов, создающих препятствия, и объектов железнодорожной инфраструктуры. Второй алгоритм – семантическая сегментация главных и вспомогательных железнодорожных путей, а также поездов в пределах видимости следования локомотива. Алгоритмы реализованы на основе сверточных нейронных сетей YOLO и U-Net. Для обучения и тестирования СНС использована база изображений НИИ информатизации, автоматизации и связи на железнодорожном транспорте. Проведены экспериментальные исследования, направленные на повышение эффективности алгоритмов обнаружения и сегментации объектов за счет методов аугментации данных, дополнительной предобработки, выбора архитектуры и наилучших гиперпараметров сети. Алгоритм обнаружения работает в режиме реального времени, достигаемая средняя точность для 11 классов объектов по метрике mAP – 64 %. Скорость работы алгоритма семантической сегментации составляет 5 кадр/с, средняя точность для трех классов объектов по метрики IoU – 92 %.

Ключевые слова:
обнаружение объектов, семантическая сегментация, объекты железнодорожной инфраструктуры, безопасность движения железнодорожного транспорта, системы технического зрения, нейросетевые алгоритмы.

Цитирование:
Медведева, Е.В. Исследование нейросетевых алгоритмов распознавания объектов железнодорожной инфраструктуры на видеоизображениях / Е.В. Медведева, А.А. Перевощикова // Компьютерная оптика. – 2025. – Т. 49, № 3. – С. 443-450. – DOI: 10.18287/2412-6179-CO-1563.

Citation:
Medvedeva EV, Perevoshchikova AA. Research of neural network algorithms for recognizing railway infrastructure objects in video images. Computer Optics 2025; 49(3): 443-450. DOI: 10.18287/2412-6179-CO-1563.

References:
  1. Popov PA. Application of artificial intelligence technologies for railway transport [In Russian]. Bulletin of the Institute for Problems of Natural Monopolies: Railway Engineering 2024; 1(65): 38-41.
  2. Ozerov AV, Okhotnikov AL. Computer vision as part of advanced train protection system [In Russian]. Intelligent transport systems. Materials of the II International Scientific and Practical Conference 2023: 620-625. DOI 10.30932/9785002182794-2023-620-625.
  3. Chen P, Zhang Z, Huang Y, Dai L, Xu F, Hu H. Railway obstacle intrusion warning mechanism integrating YOLO-based detection and risk assessment. J Ind Inf Integr 2024; 38: 100571. DOI: 10.1016/j.jii.2024.100571.
  4. He D, Ren R, Li K, Zou Z, Ma R, Qin Y, Yang W, Urban rail transit obstacle detection based on Improved R-CNN. Measurement 2022; 196: 111277. DOI: 10.1016/j.measurement.2022.111277.
  5. Medvedeva EV, Kurbatova EE. Image segmentation based on two-dimensional markov chains. In Book: Favorskaya MN, Jain LC, eds. Computer vision in Control Systems-2. Innovations in practice. Cham, Switzerland: Springer International Publishing Switzerland; 2015: 277-295. DOI: 10.1007/978-3-319-11430-9_11.
  6. Silar Z, Dobrovolny M. Utilization of directional properties of optical flow for railway crossing occupancy monitoring. 2013 Int Conf on IT Convergence and Security (ICITCS), 2013, pp. 1-4. DOI: 10.1109/ICITCS.2013.6717896.
  7. Bagaev S, Medvedeva E. Experimental assessment of accuracy of multiclass segmentation of objects from satellite images based on a modified convolutional neural network U-net [In Russian]. Current Problems in Remote Sensing of the Earth from Space 2021; 18(6): 35-45. DOI: 10.21046/2070-7401-2021-18-6-35-45.
  8. Bagaev S. Medvedeva E. Segmentation of satellite images of the earth's surface using neural network technologies. 28th Conf of Open Innovations Association (FRUCT) 2021: 15-21. DOI: 10.23919/FRUCT50888.2021.9347653.
  9. Orlov SP, Efimushkin NA, Efimushkina NV. Deep neural network for diagnosing railway track elements [In Russian]. Vestnik of Samara State Technical University. Technical Sciences Series 2022; 30(1): 63-72. DOI: 10.14498/tech.2022.1.4.
  10. Minakov VA, Fomenko VK. Machine vision technology on locomotives for identifying track signals [In Russian]. World of Transport 2019; 17(6): 62-72. DOI: 10.30932/1992-3252-2019-17-62-72.
  11. Rahman F, Ahmed Md, Hasan Md, Jahan N. Real-time obstacle detection over railway track using deep neural networks. Procedia Comput Sci 2022; 215: 289-298. DOI: 10.1016/j.procs.2022.12.031.
  12. Chen Z, Yang J, Chen L, Feng Z, Jia L. Efficient railway track region segmentation algorithm based on lightweight neural network and cross-fusion decoder. Autom Constr 2023; 155: 105069. DOI: 10.1016/j.autcon.2023.105069.
  13. Zeng Y, Wang X, Zhao H, Jin Y, Giannopoulos GA, Lia Y. Image fusion methods in high-speed railway scenes: A survey. High-Speed Railway 2023; 1(2): 87-91. DOI: 10.1016/j.hspr.2023.01.001.
  14. Mahendrakar T, Ekblad A, Fischer N, White R, Wilde M, Kish B, Silver I. Performance study of YOLOv5 and Faster R-CNN for autonomous navigation around non-cooperative targets. 2022 IEEE Aerospace Conf (AERO) 2022: 1-12. DOI: 10.1109/AERO53065.2022.9843537.
  15. Rahmaniar W, Hernawan A. Real-time human detection using deep learning on embedded platforms: A review. J Robot Control 2021; 2(6): 462-468. DOI: 10.18196/jrc.26123.
  16. Liu W, Anguelov D, Erhan D, Szegedy C, Reed S, Fu C-Y, Berg A-C. SSD: Single shot multibox detector. In Book: Leibe B, Matas J, Sebe N, Welling M, eds. Computer Vision – ECCV 2016. 14th European Conference, Amsterdam, The Netherlands, October 11–14, 2016, Proceedings, Part I. Cham, Switzerland: Springer International Publishing AG; 2016: 21-37. DOI: 10.1007/978-3-319-46448-0_2.
  17. Yang G, Wang Z, Zhuang S. PFF-FPN: A parallel feature fusion module based on FPN in Pedestrian detection. 2021 Int Conf on Computer Engineering and Artificial Intelligence (ICCEAI) 2021: 377-381. DOI: 10.1109/ICCEAI52939.2021.00075.
  18. Ioffe S, Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift. ICML'15: Proc 32nd Int Conf on International Conference on Machine Learning 2015; 37: 448-456.
  19. Zhang H, Jiang Z, Zheng G, Yao X. Semantic segmentation of UAV remote sensing images based on improved U-Net. 2023 8th Int Conf on Intelligent Computing and Signal Processing (ICSP) 2023: 1735-1740. DOI: 10.1109/ICSP58490.2023.10248526.
  20. He K, Gkioxari G, Dollár P, Girshick R. Mask R-CNN. 2017 IEEE International Conference on Computer Vision (ICCV) 2017: 2961-2969. DOI: 10.1109/ICCV.2017.322.
  21. Khrueakhrai S, Srinonchat J. Railway track detection based on SegNet deep learning. TENCON 2023 – 2023 IEEE Region 10 Conf (TENCON) 2023: 409-413. DOI: 10.1109/TENCON58879.2023.10322378.
  22. Seeli D, Thanammal KK. Brain disease detection using PSPNet for multiclass segmentation. 2nd Int Conf on Applied Artificial Intelligence and Computing (ICAAIC) 2023: 1030-1034. DOI: 10.1109/ICAAIC56838.2023.10140366.
  23. Zhang Y, Zhang Y, Zhang Q. Semantic segmentation of traffic scene based on DeepLabv3+ and attention mechanism. 3rd Int Conf on Neural Networks, Information and Communication Engineering (NNICE) 2023: 542-547. DOI: 10.1109/NNICE58320.2023.10105805.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20