РЖД ГЕНЕРАЛЬНЫЙ ПАРТНЕР – ОАО «РЖД» Реклама
Рекламодатель: ОАО "РЖД"

erid:Pb3XmBtzsyy7FXa3bppatQWDeVokXqMtNumhsKU
Нейронная сеть поможет распознать тип грузовых вагонов на станции
Тренды

Нейронная сеть поможет распознать тип грузовых вагонов на станции

Участники образовательного проекта «Уроки настоящего» анализировали, как технологии компьютерного зрения и нейросети облегчают работу на железнодорожной станции

14:34, 18 декабря 2023

Фото: Shutterstock/FOTODOM

Отраслевой центр разработки и внедрения информационных систем (ОЦРВ), дочерняя организации цифрового холдинга «РЖД-Технологии», выступил партнером Университета «Сириус» в рамках образовательного проекта для школьников «Уроки настоящего». Ребята разбирались, как технологии компьютерного зрения и нейросети облегчают работу на железнодорожной станции. О том, какие задачи стояли перед учениками, рассказали эксперты Филиала № 11 ООО «ОЦРВ» Сириус».

«Уроки настоящего» — программа Образовательного центра «Сириус» для школьников 7–11-х классов. Проект прокладывает ребятам дорогу в мир исследований и открытий и знакомит с перспективными технологиями будущего. Участники работают над задачами от научных лидеров страны: изучают материалы, смотрят лекции и выполняют групповое задание. В конце программы юные ученые презентуют свои решения, а представители заказчика выбирают лучшие.

Фото: Shutterstock/FOTODOM
Фото: Shutterstock/FOTODOM

Главная задача ― обучение нейронных сетей распознаванию типов грузовых вагонов. Кураторы разделили проект на два этапа.

Базовый уровень ― подготовка данных и анализ
На первом этапе школьники составляли базу изображений грузовых вагонов ― крытый вагон, полувагон, цистерна, думпкар и хоппер. Ребята искали фотографии в свободных источниках, делали скриншоты видео, а самые любознательные сходили на железную дорогу и сделали реальные снимки. За такую вовлеченность организаторы давали дополнительные баллы.
После сбора материала учащиеся приступили к разметке изображений в программе для аннотаций CVAT ― назначили метки классов каждому изображению из набора данных, которые понадобятся для дальнейшего обучения нейронной сети.

Продвинутый уровень ― обучение нейросети и проверка модели
Для работы на втором этапе школьникам понадобились навыки работы в Python и Jupyter Notebook, а также базовые знания библиотек машинного обучения.
Нейросети работают по известному принципу: принимают массив данных, анализируют закономерности, запоминают их и при применении выдают результат. В нашем случае нейросеть должна классифицировать типы вагонов ― правильно соотнести картинку с нужным классом. Нейронные сети способны хорошо обобщать данные, благодаря этому система учится распознавать не только исходные картинки, но и схожие, например вагоны в других ракурсах, другом освещении.

Фото: Shutterstock/FOTODOM
Фото: Shutterstock/FOTODOM

«Для решения задачи учащиеся применили технологии компьютерного зрения и нейросети. Точность распознавания составила 80–90%. Показатель можно улучшить с помощью увеличения объема обучающей выборки: найти изображения в различных погодных условиях, при свете и в темноте. За месяц каждая команда собрала до 500 снимков ― по 100 на каждый класс. Для обучения оптимально использовать около 1000 изображений на каждый тип вагона, ― говорит старший специалист по анализу данных лаборатории искусственного интеллекта и нейронных сетей Филиала № 11 ООО «ОЦРВ» Сириус» Илья Смолин.

Победителями стали две группы школьников — из Тамбовской области и Екатеринбурга. Кураторы из ОЦРВ РЖД оценивали работу обученной нейросети и презентацию проекта.

Эксперт проекта Илья Смолин. Фото: Лия Соломонова
Эксперт проекта Илья Смолин. Фото: Лия Соломонова

Для обучения оптимально использовать около 1000 изображений на каждый тип вагона

Лаборатория искусственного интеллекта и нейронных сетей Филиала № 11 ООО «ОЦРВ» Сириус» работает над отраслевыми проектами с применения технологий компьютерного зрения, обработки естественного языка и предиктивной аналитики для хозяйств и служб «Российских железных дорог». 

Один из примеров реализованного проекта ― автоматизация нормирования труда с помощью компьютерного зрения. Обученный набор моделей глубокого и машинного обучения анализирует видеозапись производственного процесса и оценивает время, затраченное на различные трудовые операции в рамках работ путевого хозяйства. Одна модель находит человека в кадре, другая определяет применяемый в операции инструмент. Далее фиксируется привязка инструмента к рукам специалиста и вычисляется отрезок времени работы с инструментом. Система находится в промышленной эксплуатации и отслеживает операции с 35 инструментами путевого хозяйства.

Фото: Shutterstock/FOTODOM
Фото: Shutterstock/FOTODOM

Область применения технологий компьютерного зрения на железнодорожном транспорте очень обширна. Цифровые решения, построенные на их основе, востребованы во многих технологических процессах с визуальным контролем и анализом.

Так, компьютерное зрение может быть применимо для контроля соблюдения технологии выполнения работ и требований охраны труды, в различных системах видеоаналитики, например в задачах мониторинга пассажиропотока на станциях, в системах управления беспилотными транспортными средствами и многого другого.

Вернуться назад
Поделиться
Наверх
Вы подписаны!
email
Подписка на новости
Нажимая на кнопку “Подписаться”, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности