Особенности алгоритма распознавания номера вагона по изображению

Автоматика, связь, информатика. 2024. № 4. С. 5–11

Automation, communications, informatics. 2024. № 4. Р. 5–11

ЦИФРОВЫЕ ТЕХНОЛОГИИ

Научная статья

УДК 004.032.26

DOI: 10.34649/AT.2024.4.4.002

Особенности алгоритма распознавания номера вагона по изображению

Александр Александрович Любченко¹, Илья Юрьевич Смолин²

¹Филиал № 11 ООО «ОЦРВ» Сириус, лаборатория искусственного интеллекта и нейронных сетей, заведующий лабораторией, Омский государственный технический университет, доцент, канд. техн. наук, г. Сочи, Россия, lyubchenko@mail.ru

²Филиал № 11 ООО «ОЦРВ» Сириус, лаборатория искусственного интеллекта и нейронных сетей, старший специалист по анализу данных, г. Сочи, Россия, ilya.smolin@OCRV.ru

Аннотация. Стратегия цифровой трансформации холдинга «РЖД» предполагает активное использование технологии искусственного интеллекта для снижения операционных затрат и увеличения выручки от предоставляемых услуг. Области применения интеллектуальных сервисов на базе технологий ИИ в рамках компании многочисленны. В работе [1] авторы с помощью компьютерного зрения распознают движения человека в рамках задачи нормирования рабочего времени. В [2] рассмотрены вопросы идентификации подвижных единиц железнодорожного транспорта по их геометрическим параметрам. Искусственные нейронные сети также были применены для составления расписаний графика движений поездов [3] и прогнозирования объемов грузоперевозок [4]. В статье представлено решение для распознавания номера грузового железнодорожного вагона по изображению с применением методов компьютерного зрения.

Ключевые слова: ИИ, компьютерное зрение, нейронная сеть, детектирование, номер вагона

Для цитирования: Любченко А.А., Смолин И.Ю. Особенности алгоритма распознавания номера вагона по изображению // Автоматика, связь, информатика. 2024. № 4. С. 7–9. DOI: 10.34649/AT.2024.4.4.002

DIGITAL TECHNOLOGIES

Original article

Features of the algorithm for recognising car number from the image

Alexander A. Lyubchenko¹, Ilya Y. Smolin²

¹Branch № 11 of OCRV LLC Sirius, Laboratory artificial intelligence and neural networks, Head of the laboratory, Omsk State Technical University, Associate Professor, Ph.D (Tech.), Sochi, Russia, lyubchenko@mail.ru

²Branch № 11 of OCRV LLC Sirius, Laboratory artificial intelligence and neural networks, Senior data analysis specialist, Sochi, Russia, ilya.smolin@OCRV.ru

Keywords: AI, computer vision, neural network, detection, carriage number

Abstract. The digital transformation strategy of the Russian Railways holding company involves the active use of artificial intelligence technology to reduce operating costs and increase revenue from services provided. The areas of application of intelligent services based on AI technologies within the company are numerous. In the paper [1] the authors use computer vision to recognise human movements as part of the task of rationing working time. In [2] the issues of identification of mobile units of railway transport by their geometric parameters are considered. Artificial neural networks have also been applied to train scheduling [3] and freight traffic forecasting [4]. A solution is presented for recognising the number of a railway freight wagon number from an image using computer vision methods.

Keywords: AI, computer vision, neural network, detection, carriage number

For citation: Lyubchenko A.A., Smolin I.Yu. Features of the algorithm for recognizing the car number from the image // Automation, communications, informatics. 2024. № 4. P. 7–9. DOI: 10.34649/AT.2024.4.4.002

Список источников

1. Штехин С.Е., Карачев Д.К., Иванова Ю.К. Разработка алгоритма распознавания движений человека методами компьютерного зрения в задаче нормирования рабочего времени // Труды Института системного программирования РАН. 2020. Т. 32, №. 1. С. 121–136.

2. Ромкин М.В. Идентификация объектов железнодорожного подвижного состава по их геометрическим параметрам // Труды X Международной конференции «Идентификация систем и задачи управления». М. : Институт проблем управления, 2015. С. 738–750.

3. Игнатенков А. В., Ольшанский А. М. Применение искусственной нейронной сети для построения расписаний процессов на примере графика движения поездов // Современные информационные технологии и ИТ-образование. 2015. Т. 2, № 11. С. 50–55.

4. Якупов Д.Т., Рожко О.Н. Перспективы применения искусственных нейронных сетей для прогнозирования объемов грузоперевозок в транспортных системах // Статистика и Экономика. 2017. № 5. С. 49–60.

5. Intlab Wagon. SDK распознавания номеров грузовых вагонов // Intlab видеоаналитика [сайт компании]. URL: https://www.intlab.com/products/intlab-wagon (дата обращения: 22.11.2022).

6. АРДИС // Mallenom Systems : [сайт компании]. URL: https://www.mallenom.ru/products/videokontrol-i-uchet-zhd-transporta/ardis/ (дата обращения: 22.11.2022).

7. Система регистрации и распознавания номеров жд вагонов и цистерн «ИНТЕГРА-ВИДЕО-ЖД» // Консорциум Интегра-С [сайт компании]. 2023. URL: https://www.integra-s.ru/raspoznavanie-zhd-nomerov/ (дата обращения: 22.11.2022).

8. Семейство моделей YOLOv5. [Электронный ресурс]. URL: https://github.com/ultralytics/yolov5 (дата обращения: 22.11.2022).

9. Learning data augmentation strategies for object detection = Аугментация данных в нейронных сетях / B. Zorf, E.D. Gubuk, G. Ghiasi, Ts.-Y. Lin, J. Shlens, Q.V. Le // ArXive: 1906.11172v1.2019. June 11. 13 p. URL: https://arxiv.org/pdf/1906.11172v1.pdf (дата обращения: 22.11.2022).

10. Onecycle LR // PyTorch [портал]. 2023. URL: https://pytorch.org/docs/stable/generated/torch.optim.lr_scheduler.OneCycleLR.html (дата обращения: 22.11.2022).

11. Развертывание моделей машинного обучения на мобильных и периферийных устройствах // TensorFlow [сайт]. URL: https://www.tensorflow.org/lite (дата обращения: 22.11.2022).

© Москва «Автоматика, связь, информатика» 2024