Набор данных и сеть для обнаружения посторонних объектов на контактной подвеске электрифицированных железных дорог

Почему посторонние предметы на контактных проводах важны

Посмотрите наверх над электрифицированной железной дорогой, и вы увидите сеть проводов, которая бесшумно подаёт энергию поездам. Когда в эту сеть попадают посторонние предметы — птичьи гнёзда, пластиковые пакеты или воздушные змеи, — они могут вызвать аварии питания, задержки и даже опасные ситуации. В этой работе решается практическая задача для современных железных дорог: как обучить компьютеры автоматически замечать таких опасных захватчиков до того, как они причинят вред.

Проблема обеспечения безопасности контактной подвески

Система контактной подвески, именуемая катенарой, включает опоры, контактные провода и поддерживающие тросы, протянувшиеся на сотни километров. Со временем погода и человеческая деятельность приводят к появлению на этих линиях неожиданных предметов. Гнёзда, шары и пластиковые плёнки могут загореться, вызвать короткое замыкание оборудования или упасть на поезда и пути. Сегодня многие железные дороги по‑прежнему полагаются на патрулирование людьми или на сотрудников, просматривающих часы видеозаписей в поисках таких опасностей. Это медленно, дорого и подвержено пропускам, особенно когда объекты малы, частично скрыты или сняты в плохую погоду.

Почему обычное компьютерное зрение не справляется

Цифровые камеры и искусственный интеллект дают возможность непрерывно наблюдать за катенарой, но стандартные алгоритмы испытывают трудности в этой среде. Фон сложен: опоры, деревья, здания и провода накладываются в запутанные узоры, а посторонние предметы часто выглядят как крошечные точки или тонкие полоски на удалении от камеры. Классические детекторы на основе сверточных нейронных сетей хорошо находят чёткие объекты среднего размера, но имеют ограниченное «охватное поле» и могут пропускать длинные, тонкие или удалённые элементы, свисающие с проводов. Публичных обучающих данных также мало, поскольку сбор и распространение реальных изображений повреждений с действующих железных дорог затруднены.

Создание реалистичной коллекции изображений

Чтобы преодолеть нехватку данных, авторы собрали новую коллекцию изображений, специально посвящённую посторонним объектам вдоль электрифицированных линий, названную RailCatFOD-DS. Она содержит 13 866 изображений и более 14 000 размеченных объектов. Набор сосредоточен на двух основных типах риска: птичьих гнёзд и лёгкого мусора, включающего пластиковые пакеты, плёнки и воздушные змеи. Чтобы имитировать суровые условия в поле, команда сделала не только простые отражения и повороты. Они добавили реалистично сгенерированный компьютерный дождь, туманоподобное размытие, случайный шум, изменения яркости и искусственные заслонения, чтобы модель научилась работать в сильный дождь, при ярком солнце, при слабом освещении и в загромождённых сценах. В результате получился сложный эталон, богатый малыми и частично скрытыми объектами.

Сеть, настроенная на крошечные и хитрые цели

На основе этого набора данных исследователи разработали систему обнаружения RailCatFOD-Net. В её основе лежит современная архитектура зрения, известная как Swin Transformer, которая сканирует изображение перекрывающимися окнами и связывает отдалённые области, помогая модели понимать, как крошечный объект соотносится с более широкой сценой. Вокруг этого ядра команда построила два специализированных дополнения. Первое — многоветвевой объединяющий фичер‑пирамид (multi-branch fusion feature pyramid), который смешивает информацию из тонких детализированных слоёв с более грубыми и глобальными слоями, так что объекты разных размеров можно обнаруживать совместно. Второе — региональный модуль, ориентированный на края, который расширяет область контекста вокруг каждой точки и уточняет границы, особенно для длинного, нитевидного мусора, свисающего вдоль проводов.

Насколько хорошо работает новый подход

При испытаниях на их новом наборе данных RailCatFOD-Net превзошёл ряд известных методов обнаружения, от моделей на трансформерах до популярных систем реального времени, таких как YOLO. Он показал общий показатель точности примерно 60% по строгому критерию оценки, с заметными улучшениями при обнаружении мелких объектов и удлинённых форм по сравнению с ранними методами. Система также хорошо обобщалась на отдельный публичный набор данных, собранный из других источников изображений и синтетических посторонних объектов, где вновь заняла лидирующие позиции. Визуальные примеры показывают, что она корректно обнаруживает частично скрытые гнёзда, множественные объекты в одной сцене и мусор в условиях дождя, бликов и шума, где конкурирующие методы либо пропускали их, либо давали ложные срабатывания.

Что это значит для будущих поездок на поезде

Для неспециалистов вывод прост: эта работа приближает автоматизированный мониторинг железных дорог к реальности. Совместив реалистичную, тщательно подготовленную коллекцию изображений с сетью обнаружения, адаптированной к особенностям контактных проводов, авторы показывают, что компьютеры могут надёжно помечать рискованные объекты, которые люди могли бы пропустить. Хотя система пока слишком тяжела для самых мелких бортовых устройств и опирается только на обычные камеры, её успех показывает, что более умные и лёгкие версии — возможно, в сочетании с инфракрасными или другими датчиками — однажды смогут круглосуточно наблюдать тысячи километров пути. Это означало бы более безопасные поездки, меньше перебоев в обслуживании и более эффективное обслуживание для электрифицированных железных дорог во всём мире.

Цитирование: Li, F., Cao, J., Yang, H. et al. A foreign object detection dataset and network for electrified railway catenary systems. Sci Rep 16, 9104 (2026). https://doi.org/10.1038/s41598-026-39129-8

Ключевые слова: безопасность железных дорог, компьютерное зрение, обнаружение объектов, контактные провода, мониторинг транспорта