Повышение качества обучения сверточных нейронных сетей в задачах технического зрения беспилотных поездов

Беспилотные поезда являются ключевым составным элементом следующего уровня автоматизации железных дорог. Запуск локомотивов в беспилотном режиме требует разработки надежных систем технического зрения с применением технологий искусственного интеллекта. В статье представлен метод повышения качества обучения сверточных нейронных сетей в задачах обнаружения объектов железнодорожной инфраструктуры. Достоверность визуального обнаружения объектов системой компьютерного зрения достигается за счет алгоритмического расширения наборов данных для обучения. Предложенный метод учитывает вариативность погодных условий, в которых необходимо обнаружить идентичные объекты, и позволяет генерировать модификации изображений с добавлением эффектов дождя, снега или тумана. В качестве исходного набора данных использовано 21700 аннотированных изображений, содержащих 7 классов объектов. На их основе сформирован расширенный набор из 65100 изображений с использованием разработанного метода. Для оценки эффективности предложенного подхода проведено сравнительное обучение современной модели YOLOv11 на исходном и расширенном наборах данных. Для сравнения результатов использованы метрики F1-меры и mean Average Precision (mAP). Результаты вычислительных экспериментов подтверждают, что применение расширенного набора данных способствует улучшению качества обучения. В частности, F1-мера для модели YOLO, обученной на исходном наборе данных, составила 0,72, тогда как на расширенном наборе данный параметр достиг повышенного значения 0,90. Значение второй использованной метрики mAP (50–95) увеличилось с 0,67 на исходном наборе данных до 0,83 на расширенном. Сравнительные значения метрик были получены при одинаковом пороге достоверности 0,8. Разработанный метод реализован в аппаратно-программном комплексе, который готов к тестовым испытаниям в составе комплексной системы управления и обеспечения безопасности движения грузовых поездов.

1. Федоров В.А., Огородникова О.М. Сверточные нейронные сети как инструмент обнаружения объектов железнодорожной инфраструктуры. Автоматизация в промышленности. 2024;(12):20–23.

2. Озеров А.В., Маршова А.С. О некоторых аспектах автоматизации движения поездов на железнодорожном транспорте. Наука и технологии железных дорог. 2024;8(3):12–17.

3. Anagnostopoulos A. High-Speed Railway and Safety: Insights from a Bibliometric Approach. High-Speed Railway. 2024;2(3):187–196. https://doi.org/10.1016/j.hspr.2024.08.004

4. Fedorov V.А. Recognizing Railway Infrastructure Using CNN and Stereoscopic Vision. In: 2024 International Russian Smart Industry Conference, 25–29 March 2024, Sochi, Russia. IEEE; 2024. P. 13–18. https://doi.org/10.1109/SmartIndustryCon61328.2024.10516208

5. Tang Yo., Qian Yu. High-Speed Railway Track Components Inspection Framework Based on Yolov8 with High-Performance Model Deployment. High-Speed Railway. 2024;2(1):42–50. https://doi.org/10.1016/j.hspr.2024.02.001

6. Terven Ju., Córdova-Esparza D.-M., Romero-González Ju.-A. A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS. Machine Learning and Knowledge Extraction. 2023;5(4):1680–1716. https://doi.org/10.3390/make5040083

7. Попов В.А., Зубков А.В. Применение моделей машинного обучения семейства YOLO для задачи анализа чайного сырья по фотографии. Моделирование, оптимизация и информационные технологии. 2025;13(2). https://doi.org/10.26102/2310-6018/2025.49.2.042

8. Гаврилов В.С., Корчагин С.А., Долгов В.И., Андриянов Н.А. Разработка легковесной модели автоматической классификации структурированных и неструктурированных данных в потоковых источниках для оптимизации оптического распознавания символов. Моделирование, оптимизация и информационные технологии. 2025;13(3). https://doi.org/10.26102/2310-6018/2025.50.3.006

9. Castillo-Girones S., Munera S., Martínez-Sober M., Blasco Jo., Cubero S., Gómez-Sanchis Ju. Artificial Neural Networks in Agriculture, the Core of Artificial Intelligence: What, When, and Why. Computers and Electronics in Agriculture. 2025;230. https://doi.org/10.1016/j.compag.2025.109938

10. Khanam R., Hussain M. YOLOv11: An Overview of the Key Architectural Enhancements. arXiv. URL: https://doi.org/10.48550/arXiv.2410.17725 [Accessed 31st July 2025].

11. He Z., Wang K., Fang T., Su L., Chen R., Fei X. Comprehensive Performance Evaluation of YOLOv11, YOLOv10, YOLOv9, YOLOv8 and YOLOv5 on Object Detection of Power Equipment. arXiv. URL: https://doi.org/10.48550/arXiv.2411.18871 [Accessed 31st July 2025].

12. Yacouby R., Axman D. Probabilistic Extension of Precision, Recall, and F1 Score for More Thorough Evaluation of Classification Models. In: Proceedings of the First Workshop on Evaluation and Comparison of NLP Systems, 20 November 2020, Virtual Event. Association for Computational Linguistics; 2020. P. 79–91. https://doi.org/10.18653/v1/2020.eval4nlp-1.9

13. Chitraningrum N., Banowati L., Herdiana D., et al. Comparison Study of Corn Leaf Disease Detection Based on Deep Learning YOLO-v5 and YOLO-v8. Journal of Engineering and Technological Sciences. 2024;56(1):61–70. https://doi.org/10.5614/j.eng.technol.sci.2024.56.1.5

14. Ogorodnikova O.M., Ali W. Method of Ripe Tomato Detecting for a Harvesting Robot. In: Physics, Technologies and Innovation (PTI-2019): Proceedings of the VI International Young Researchers' Conference, 20–23 May 2019, Ekaterinburg, Russia. American Institute of Physics; 2019. https://doi.org/10.1063/1.5134297

15. Patruno C., Renò V., Nitti M., Mosca N., Di Summa M., Stella E. Vision-Based Omnidirectional Indoor Robots for Autonomous Navigation and Localization in Manufacturing Industry. Heliyon. 2024;10(4). https://doi.org/10.1016/j.heliyon.2024.e26042