Детекция сверхмалых объектов с использованием радиометрических признаков

Автоматика, связь, информатика. 2026. № 3. С. 30–32

Automation, communications, informatics. 2026. № 3. Р. 30–32

ЦИФРОВЫЕ ТЕХНОЛОГИИ

Научная статья

УДК 004.93’1

DOI: 10.62994/AT.2026.3.3.006

Детекция сверхмалых объектов с использованием радиометрических признаков

САЦЮК Александр Владимирович

Донецкий институт железнодорожного транспорта, научно-исследовательская лаборатория искусственного интеллекта, заведующий, доцент, канд. техн. наук, г. Донецк, Донецкая Народная Республика, Россия, alexandrsastuk@gmail.com

Аннотация. В работе рассматривается актуальная задача обнаружения сверхмалых объектов в условиях железнодорожной инфраструктуры для повышения безопасности движения. Традиционные методы объектного детектирования на основе сверточных нейронных сетей сталкиваются с трудностями при обнаружении объектов на больших расстояниях из-за сильной деградации изображения, что приводит к снижению их эффективности. В связи с этим разработка эффективных методов детекции сверхмалых объектов является критически важной. Предлагается новый подход, основанный на анализе низкоуровневых радиометрических сигналов DRI. Он опирается на извлечение и анализ статистических характеристик яркости, сохраняющихся даже при значительной пространственной деградации. Даже при ограниченной визуальной информации предложенный метод демонстрирует большую точность обнаружения: 70–75 % для сверхмалых объектов размером менее 20 пикселей.

Ключевые слова: железнодорожная безопасность, обнаружение малых объектов, радиометрические признаки, сверточные нейронные сети, цифровая радиометрическая идентификация (DRI), YOLOv8m, системы раннего предупреждения

Для цитирования: Сацюк А.В. Детекция сверхмалых объектов с использованием радиометрических признаков // Автоматика, связь, информатика. 2026. № 3. С. 30–32. DOI: 10.62994/AT.2026.3.3.006

DIGITAL TECHNOLOGY

Original article

Enhancing railway safety through radiometric feature-based detection of extremely small objects

Aleksandr V. SATSIUK

Donetsk Institute of Railway Transport, Laboratory Director, Artificial Intelligence Research, Associate Professor, Ph.D. (Tech.), Donetsk, Donetsk People’s Republic, Russia, alexandrsastuk@gmail.com, SPIN-код: 3753

Abstract. This paper addresses the current challenge of detecting ultra-small objects within railway infrastructure to enhance traffic safety. Traditional object detection methods based on convolutional neural networks encounter difficulties in detecting distant objects due to severe image degradation, leading to reduced effectiveness. Consequently, developing effective methods for ultra-small object detection is critically important. This work proposes a novel approach based on the analysis of low-level radiometric DRI signals. It relies on extracting and analyzing statistical brightness characteristics that are preserved even with significant spatial degradation. Even with limited visual information, the proposed method demonstrates high detection accuracy: 70-75% for ultra-small objects less than 20 pixels in size.

Keywords: railway safety, small object detection, radiometric features, convolutional neural networks, digital radiometric identification (DRI), YOLOv8m, early warning systems

For citation: Satsiuk A.V. Enhancing railway safety through radiometric feature-based detection of extremely small objects // Automation, communications, Informatics. 2026. № 3. Р. 30–32. DOI: 10.62994/AT.2026.3.3.006

Список источников

1. Брехт Э.А., Коншина В.Н. Применение нейронной сети YOLO для распознавания дефектов // Интеллектуальные технологии на транспорте. 2022. № 2 (30). С. 41–47. EDN: ZRAQDL.

2. Тимошкин М.С., Миронов А.Н., Леонтьев А.С. Сравнение YOLO V5 и Faster R-CNN для обнаружения людей на изображении в потоковом режиме // Международный научно-исследовательский журнал. 2022. № 6-1 (120). С. 137–146. EDN: ZFRRZQ.

3. Сацюк А.В. Мониторинг инфраструктуры на основе искусственного интеллекта // Автоматика, связь, информатика. 2025. № 9. С. 32–34. DOI: 10.62994/AT.2025.9.9.005. EDN: OXBPFP.

4. Сычугов А.Н., Михейчиков В.Н., Чернышов М.В. Применение нейронных сетей для распознавания объектов на железнодорожном транспорте // Известия Петербургского университета путей сообщения. 2023. Т. 20, Вып. 2. С. 478–491. DOI: 10.20295/1815-588X2023-2-478-491. EDN: DWQBQV.

© Москва «Автоматика, связь, информатика» 2026