Многомасштабная сегментация экземпляров для железнодорожного полотна с учётом границ

Почему важна чёткая видимость путей

Современные поезда всё чаще полагаются на камеры и вычислительные системы для обеспечения безопасности пассажиров и окружающих. Чтобы такие системы работали корректно, программное обеспечение должно точно выделять рельсы в загруженных, визуально шумных сценах: на переездах с машинами и людьми, на станциях, в туннелях и на загородных участках под солнцем, дождём или снегом. Если компьютер неверно определит положение рельс, он может не заметить упавшие предметы, посторонних на пути или повреждения. В этой работе предложен новый подход, позволяющий моделям «видеть» рельсы более чётко и надёжно, даже когда рельсы тонкие, удалённые или частично скрытые.

Более чёткие границы — безопаснее поездки

Ключевая проблема при восприятии путей в том, что рельсы — длинные и узкие объекты, чьи кромки часто сливаются с гравием, шпалами, тенями и стрелками. Традиционные приёмы обработки изображений или старые алгоритмы сегментации склонны терять эти границы, особенно при плохом освещении или сложном фоне. Авторы сосредотачиваются на методах класса instance segmentation, где системе нужно не только обнаружить объекты, но и точно очертить их форму. Их цель просто сформулировать, но трудно реализовать: провести точные контуры вокруг каждого видимого участка пути на каждом кадре и при этом работать достаточно быстро для реального времени на движущемся поезде.

Более умное представление краёв путей

Чтобы решить эту задачу, исследователи опираются на недавнюю быструю модель зрения YOLO11n-seg и создают улучшённую структуру под названием SMDE-YOLO. Первая ключевая идея — подавать в сеть более чёткие примеры границ путей при обучении. Они используют классический инструмент обработки изображений — детектор границ Шарра — чтобы выделить линии резких изменений яркости, то есть места, где металл рельса встречается с окружением. Объединяя эти карты границ с исходными изображениями только в областях истинных рельсов, метод усиливает полезные детализированные признаки краёв и при этом не вносит дополнительного фонового шума. Этот предобрабатывающий шаг помогает модели усвоить, как выглядят реальные границы рельсов в самых разных сценах — от ярких открытых участков до тёмных туннелей.

Учет как общей структуры, так и тонких линий

Одних лишь границ недостаточно: модель также должна улавливать структуру пути на разных масштабах — от близко расположенных шпал до удаляющихся, сходящихся рельсов. SMDE-YOLO вводит новый модуль слияния признаков, который собирает сведения о краях с нескольких масштабов и смешивает их с обычными признаками изображения. Этот модуль подчёркивает мелкие отличия в текстуре, указывающие на начало и конец рельсов, в то время как встроенный механизм отбора отфильтровывает шаблоны, не относящиеся к пути. Параллельно переработанная «шея» сети — Dynamic Multi-Branch Feature Pyramid Network — передаёт информацию между грубыми и детальными слоями вверх и вниз. Такая архитектура позволяет системе сохранять представление о целом расположении рельс, одновременно удерживая тонкие, вытянутые формы, определяющие границы путей.

Лёгкая конструкция для работы в реальном времени

Системы помощи водителю или автономные системы на поездах не могут позволить себе тяжёлые, медленные алгоритмы. Поэтому авторы переработали завершающую часть модели — блок, который преобразует признаки в точные контуры — в более эффективную, двухфункциональную «голову». Она разделяет задачи детекции (поиск сегментов пути) и сегментации (обведение их форм), использует упрощённые свёртки и добавляет тонкий механизм внимания, концентрирующийся на наиболее информативных каналах. В результате эти изменения фактически уменьшают число параметров и объём вычислений по сравнению с базовой моделью, при этом повышая точность на кураторской версии публичного датасета RailSem19, переименованного в Railsem7750. В тестах SMDE-YOLO превосходит ряд популярных альтернатив — от тяжёлых двухэтапных моделей вроде Mask R-CNN до новых систем реального времени, обеспечивая более чёткие маски рельсов при меньших ресурсных затратах.

От более чётких контуров к безопасным железным дорогам

Для неспециалистов главный вывод таков: эта работа учит компьютеры надёжнее отслеживать контуры железнодорожных путей, даже когда сцены запутаны, рельсы удалённые или пересекающиеся. За счёт усиления краёв, аккуратного смешения информации с разных масштабов и оптимизации сложности модели SMDE-YOLO обеспечивает и скорость, и точность. Хотя метод всё ещё испытывает затруднения в самых запутанных участках стрелочных переводов и переездов, он представляет собой уверенный шаг к системам зрения, способным непрерывно наблюдать длинные участки пути, ранжировать вторжения или мусор, и поддерживать более эффективную инспекцию и обслуживание — всё это в конечном счёте способствует более безопасному и эффективному железнодорожному транспорту.

Цитирование: Lin, J., Yang, W. & Du, X. Edge-guided multi-scale instance segmentation for railway track. Sci Rep 16, 10325 (2026). https://doi.org/10.1038/s41598-026-40858-z

Ключевые слова: безопасность железных дорог, компьютерное зрение, сегментация экземпляров, автономные поезда, мониторинг железнодорожного пути