Обзор методов сегментации и обнаружения объектов на изображении в реальном времени для предотвращения аварийных ситуаций РЖД

Авторы

  • А.Т. Тисецкий Сибирский федеральный университет, Красноярск, Россия
  • Д.И. Ковалев Красноярский государственный аграрный университет, Красноярск, Российская Федерация; Красноярский краевой Дом науки и техники РосСНИО, Красноярск, Российская Федерация
  • Т.П. Мансурова Красноярский краевой Дом науки и техники Российского Союза научных и инженерных общественных объединений, Красноярск, Россия

DOI:

https://doi.org/10.47813/2782-2818-2022-2-3-0101-0116

Ключевые слова:

железная дорога, обнаружение объектов, компьютерное зрение, сегментация изображения, разработка приложения, математическая модель, автоматизация процесса.

Аннотация

С развитием железнодорожной индустрии, информатизации общества и автоматизации многих технологических процессов, появляется возможность создания аппаратно-программных комплексов автоматического управления, диагностики и безопасности движения локомотивов. Одной из важнейших систем данного комплекса является система обнаружения объектов на железнодорожных путях, разрывов железнодорожного полотна и его поворотов. Подобная система может быть разработана в виде камеры, установленной на локомотиве, и систем обработки информации, находящихся на борту каждого подвижного состава, или в виде глобальной системы, осуществляющей удаленную обработку информации с нескольких локомотивов. Независимо от реализации системы существует необходимость создания блока обнаружения объектов на изображениях, приходящих с камер. Для реализация данного блока необходимо выделять железнодорожную полосу на изображении и детектировать объекты в режиме реального времени. Для выделения полосы используются методы сегментации. В статье приведены алгоритмы нескольких из них и выбран наиболее предпочтительный вариант. Задача обнаружения объектов в видеопотоке в режиме реального времени решается при помощи сверточных нейронных сетей. В статье приведены краткие описания нескольких сетей, проанализированы результаты работы описанных нейронных сетей и выбрана сеть, наиболее подходящая для решения поставленной задачи.

Биографии авторов

А.Т. Тисецкий , Сибирский федеральный университет, Красноярск, Россия

Тисецкий Артем Тимофеевич, магистрант кафедры информатики, Институт космических и информационных технологий Сибирского федерального университета, Красноярск, Российская Федерация

Д.И. Ковалев, Красноярский государственный аграрный университет, Красноярск, Российская Федерация; Красноярский краевой Дом науки и техники РосСНИО, Красноярск, Российская Федерация

Ковалев Дмитрий Игоревич, аспирант кафедры информационных технологий и математического обеспечения информационных систем, Красноярский государственный аграрный университет, Российская Федерация

Т.П. Мансурова, Красноярский краевой Дом науки и техники Российского Союза научных и инженерных общественных объединений, Красноярск, Россия

Мансурова Тамара Павловна, научный сотрудник Красноярского краевого Дома науки и техники Российского Союза научных и инженерных общественных объединений, Российская Федерация

Библиографические ссылки

Распоряжение Правительства РФ № 466-р от 19.03.2019 г. Долгосрочная программа развития ОАО «РЖД» до 2025 года.

Koheri Arai, Ali Ridho Barakbah. Heirarchical K-means: An algorithm for Centroid initialization for K-means. Saga University, 2007.

Удалов Т.А. Программный комплекс для выделения треков частиц на растровых изображениях видеопотока по набору геометрических примитивов: магистерская диссертация по направлению подготовки: 09.04.01 - Микропроцессорные системы. Барнаул, 2016.

LeCun Y. et al. Backpropagation applied to handwritten zip code recognition, Neural computation, 1989, 1(4–ɋ), 541-551.

Банковская система: устойчивость и перспективы развития: сборник научных статей десятой международной научно–практической конференции по вопросам банковской экономики. УО «Полесский государственный университет», г. Пинск 25 октября 2019 г. Министерство образования Республики Беларусь [и др.]; редкол.: К.К. Шебеко [и др.]. Пинск: ПолесГУ, 2019, 321, 326 c.

Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation, Computer Science Department and BIOSS Centre for Biological Signalling Studies, University of Freiburg, Germany.

Бондаренко В.А., Павлова В.А., Тупиков В.А., Холод Н.Г. Алгоритм нейросетевого распознавания надводных объектов в реальном времени, Известия Тульского государственного университета. Технические науки, 2021, 1, 19-33. EDN LBWTUH.

Zhou X., Wang D., Krähenbühl P. “Objects as points,” 2019. arXiv:1904. 07850. [URL]. Доступ: http://arxiv.org/abs/1904.07850

Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, and Alexander C Berg. SSD: Single shot multibox detector. In Proceedings of the European Conference on Computer Vision (ECCV), 2016, 21-37.

Jiaqi Wang, Kai Chen, Shuo Yang, Chen Change Loy, and Dahua Lin. Region proposal by guided anchoring. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019, 2965-2974.

Bochkovskiy Alexey, Wang Chien-Yao, Liao HongYuan Mark. YOLOv4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934, 2020.

REFERENCES

Decree of the Government of the Russian Federation No. 466-r dated March 19, 2019. Long-term development program of Russian Railways until 2025.

Koheri Arai, Ali Ridho Barakbah. Heirarchical K-means: An algorithm for Centroid initialization for K-means. Saga University, 2007.

Udalov T.A. A software package for extracting particle tracks on bitmap images of a video stream by a set of geometric primitives: master's thesis in the direction of preparation: 09.04.01 - Microprocessor systems. Barnaul, 2016.

LeCun Y. et al. Backpropagation applied to handwritten zip code recognition, Neural computation, 1989, 1(4.–ɋ), 541-551.

Banking system: sustainability and development prospects: a collection of scientific articles of the tenth international scientific and practical conference on banking economics. EE "Polesye State University", Pinsk October 25, 2019 Ministry of Education of the Republic of Belarus [and others]; editorial board: K.K. Shebeko [i dr.]. Pinsk: PolesGU, 2019, 321, 326.

Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation, Computer Science Department and BIOSS Centre for Biological Signalling Studies. University of Freiburg, Germany.

Bondarenko V.A., Pavlova V.A., Tupikov V.A., Kholod N.G. Algorithm for neural network recognition of surface objects in real time, Proceedings of the Tula State University. Technical Sciences, 2021, 1, 19-33. EDN LBWTUH.

Zhou X., Wang D., Krähenbühl P. “Objects as points,” 2019, arXiv:1904.07850. [URL]. Доступ: http://arxiv.org/abs/1904.07850.

Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, and Alexander C Berg. SSD: Single shot multibox detector. In Proceedings of the European Conference on Computer Vision (ECCV), 2016, 21-37.

Jiaqi Wang, Kai Chen, Shuo Yang, Chen Change Loy, and Dahua Lin. Region proposal by guided anchoring. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019, 2965-2974.

Bochkovskiy Alexey, Wang Chien-Yao, Liao HongYuan Mark. YOLOv4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934, 2020.

Загрузки

Опубликован

2022-07-12

Как цитировать

Тисецкий , А., Ковалев, Д., & Мансурова, Т. . (2022). Обзор методов сегментации и обнаружения объектов на изображении в реальном времени для предотвращения аварийных ситуаций РЖД. Современные инновации, системы и технологии - Modern Innovations, Systems and Technologies, 2(3), 0101–0116. https://doi.org/10.47813/2782-2818-2022-2-3-0101-0116

Выпуск

Раздел

Управление, вычислительная техника и информатика.

Наиболее читаемые статьи этого автора (авторов)