Нейросети научились отслеживать сигналы светофора

Эксперты Вятского государственного университета разработаны два алгоритма на основе сверхточных нейронных сетей YOLO и U-Net. Они способны повысить распознаваемость на железнодорожных путях как элементов инфраструктуры (светофоров и стрелочных переводов), так и людей, и автомобилей.

Первый алгоритм основан на детектировании объектов, второй — на их сегментации. Авторы исследования обучили алгоритмы на основе более чем 8,2 тыс. изображений в формате png из базы НИИ информатизации, автоматизации и связи на железнодорожном транспорте.

В своем исследовании авторы сделали акценты на применении методов аугментации данных и их дополнительной предобработке.

Для определения результатов обучения нейросети, ученые взяли более тысячи неразмеченных изображений, ИИ должен был определить, какой на картинке объект. Сложнее всего нейросетевым алгоритмам далось определение цветов на светофоре. Авторы исследования объяснили это тем, что для теста использовались изображения, сделанные в разное время суток и при разных погодных условиях. 

Чтобы помочь нейросетевым алгоритмам лучше разбираться в сигналах светофора, исследователи провели аугментацию данных — улучшили качество изображений, используемых для обучения, также их преобразовали из RGB в HSV, подобрав оттенки так, чтобы нейросеть могла их лучше идентифицировать. Это позволило улучшить качество распознавания сигналов светофора на 29%. В целом же после обучения алгоритмы смогли определять объекты с точностью 92%.Кроме того, ИИ способен распознавать более 24 кадров в секунду, что позволяет его применять в режиме реального времени, используя видео с камер локомотивов.

Системы машинного зрения играют ключевую роль при внедрении автовождения и создания беспилотных систем управления железнодорожным транспортом. Это не единственный способ наблюдать без участия человека за состоянием путей. Инфраструктура также оборудуется камерами, датчиками. Все эти системы в совокупности должны давать точную картину, что происходит на участке путей в конкретный момент. 

«Методы сегментации и обнаружения объектов железнодорожной инфраструктуры, а также объектов, представляющих собой опасность на железнодорожных путях, по-прежнему нуждаются в постоянном совершенствовании и оптимизации с точки зрения эффективности модели, реального времени и адаптивности к различным условиям. В связи с этим данная работа направлена на повышение эффективности алгоритмов обнаружения и сегментации объектов за счет методов аугментации данных, дополнительной предобработки, выбора архитектуры и наилучших гиперпараметров сети», – отмечают авторы исследования.

Исследование показало, что нейросетевые алгоритмы могут с высокой точностью распознавать объекты даже в условиях плохой видимости. Но чтобы научить искусственный интеллект «видеть» такие объекты, необходимо расширять обучающую базу, включая в нее изображения, которые очень просто распознать. Учитывая, что в перспективе использование нейросетевых алгоритмов на транспорте возрастет, то увеличится и количество объектов, которые искусственный интеллект должен безошибочно определять.