СV для МЖД

Разрабатывая «Компьютерное зрение» мы организовали тщательный процесс сбора данных о состоянии железнодорожных путей. Для этого был использован специально оборудованный вагон, оснащенный высококачественной видеокамерой. Камера записывала участки путей во время движения вагона, обеспечивая детальное визуальное покрытие.

Полученные видеофайлы были важным исходным материалом для дальнейшего анализа и разработки алгоритма компьютерного зрения. Чтобы обеспечить более удобную обработку и анализ данных, видеофайлы были разбиты на отдельные кадры, с которыми уже было удобно работать в дальнейшем.

Этот этап сбора данных был необходим для создания качественного обучающего набора, который позволит алгоритму распознавать и классифицировать различные типы неисправностей на путях с высокой точностью. Благодаря тщательному сбору данных мы обеспечили алгоритму достоверный и обширный набор информации, что является фундаментальным шагом в разработке надежного и эффективного алгоритма дефектоскопии железнодорожных путей.

Важным этапом работы над проектом была разметка данных, которая заключалась в классификации участков путей на исправные и неисправные, а также присвоении меток с типами неисправностей.

Мы создали обширный каталог меток, которые позволяют точно определить типы неисправностей пути. Он включает в себя метки для трещин, разрушений, износа рельсов, шпал, болтов и других возможных дефектов.

Результатом этого процесса разметки данных является размеченный датасет, который представляет собой ценный инструмент для обучения алгоритма компьютерного зрения. Этот размеченный датасет послужил основой для дальнейшего обучения алгоритма, позволяя ему «понять» характеристики и особенности каждой категории неисправностей на путях.

Одним из важных этапов проекта было обучение алгоритма. Для этого мы выбрали предобученную нейронную сеть ImageNet, которая уже обладала определенным уровнем знаний и способностей в области распознавания изображений. Однако, чтобы наш алгоритм мог эффективно работать с изображениями участков путей и определять типы неисправностей, мы провели дальнейшее обучение последних слоев сети.

«Компьютерное зрение» прошло серию тренировок. Мы  подстраивали параметры алгоритма и обновляя веса последних слоев нейронной сети. В результате каждой тренировки алгоритм адаптировался к специфике данных и становился все более точным в распознавании неисправностей на участках пути. Мы стремились достичь высокой точности и надежности алгоритма, чтобы он мог эффективно применяться в реальных условиях и помогать в обнаружении дефектов на железнодорожных путях.

Для определения эффективности и надежности разработанного алгоритма в обнаружении неисправностей на участках железнодорожных путей, мы протестировали «Компьютерное зрение» и провели тщательную оценку его работы с использованием метрик классификации, таких как точность, полнота и F1-мера.

Для этого мы использовали тестовый набор данных, который содержал изображения участков путей с известными типами неисправностей. Затем мы прогнали эти изображения через алгоритм и сравнили его предсказания с фактическими значениями.

После проведения оценки качества мы получили числовые значения для каждой метрики. Высокие значения точности, полноты и F1-меры говорят о высокой эффективности алгоритма в определении неисправностей на участках путей. Это подтверждает надежность разработанного алгоритма и его способность быть полезным инструментом для железнодорожной инфраструктуры.