В Евразийском национальном университете имени Л.Н. Гумилева состоится защита диссертации на соискание степени доктора философии (PhD) Кайыргалиқызы Гульсипат Абишева на тему «Методы и алгоритмы для обнаружения, классификации и оценки дефектов железнодорожных пути» по образовательной программе «8D06102 – Информатика».

Диссертация выполнена на кафедре «Кафедра Технологии искусственного интеллекта» Евразийского национального университета имени Л.Н. Гумилева.

Язык защиты - казахский

Официальные рецензенты:

Қалдарова Мира Жорабекқызы – доктор философии (PhD), и.о. декан высшей школы информационных технологий и инженерии, Международный университет Астана (г. Астана, Республика Казахстан);

Оралбекова Жанар Орымбаевна – доктор философии (PhD), ассоциированный профессор, и.о. профессора «Школы искусственного интеллекта и науки о данных», ТОО «Astana IT University» (г. Астана, Республика Казахстан).

Временные члены Диссертационного совета:

Барахнин Владимир Борисович – доктор технических наук; доцент, ведущий научный сотрудник в Федеральном исследовательском центре информационных и вычислительных технологий (ФИЦ ИВТ) (г. Новосибирск, Россия);

Аканова Акерке Сапаровна – доктор философии (PhD), ассоцированный профессор, Руководитель ГОП «Kомпьютерные науки», НАО «Казахского агротехнического университета имени С.Сейфуллина» (г. Астана, Республика Казахстан);

Еримбетова Айгерим Сембековна - доктор философии (PhD), кандидат технических наук, ассоциированный профессор, профессор-исследователь META University (г. Алматы, Республика Казахстан).

Научные консультанты:

Разахова Бибигул Шамшановна - доцент, кандидат технических наук, заведующая кафедрой «Технологии искусственного интеллекта», Евразийский национальный университет имени Л.Н. Гумилева (г. Астана, Республика Казахстан).

Владимир Йоцов – доктор философии в области компьютерных наук и искусственного интеллекта, доктор наук в области информационной безопасности, профессор кафедры компьютерных наук Университета библиотековедения и информационных технологий (г. София, Болгария).

Защита состоится: 24 апреля 2026 года 11:00 часов в Диссертационном совете по направлению подготовки кадров «8D061 – Информационно-коммуникационные технологии» по специальности «8D06102 – Информатика» Евразийского национального университета имени Л.Н. Гумилева. Проведение заседания диссертационного совета в онлайн формате.

Ссылка: https://teams.microsoft.com/meet/44108391344617?p=m5BKzqPowQQgvqINGL

Адрес: г. Астана, ул. Пушкина 11, №2 корпус аудитория № 222 аудитория.

Аннотация (рус.): АННОТАЦИЯ диссертационной работы Абишевой Гульсипат Ка йыргаликызы на тему «Методы и алгоритмы для обнаружения, классификации и оценки дефектов железнодорожных пути», представленной на соискание степени доктора философии (PhD) по образовательной программе «8D06102 - Информатика» Актуальность исследования. Железнодорожный транспорт играет стратегически важную роль в транспортной системе Республики Казахстан и является одной из ключевых инфраструктур, обеспечивающих устойчивое развитие экономики страны. В условиях высокого уровня износа железнодорожных путей, роста нагрузок и ужесточения требований к безопасности особую актуальность приобретает задача оперативной и точной диагностики состояния инфраструктуры. Традиционные методы диагностики (визуальный контроль, ультразвуковая дефектоскопия и др.) имеют ряд ограничений: высокую трудоемкость, зависимость от субъективных факторов и ограниченные возможности обработки больших объемов данных. В связи с этим внедрение интеллектуальных систем на основе машинного обучения и компьютерного зрения является перспективным направлением повышения эффективности выявления и оценки дефектов. Цель исследования изучение и оптимизация методов и алгоритмов выявления, классификации и оценки неисправностей железнодорожной инфраструктуры с использованием современных технологий интеллектуального анализа данных. Исходя из цели диссертационной работы, были поставлены следующие задачи: 1. Теоретическое исследование дефектов железных дорог. 2. Провести анализ существующих методов диагностики неисправностей железных дорог. 3. Определение алгоритмов обнаружения неисправностей с использованием методов компьютерного зрения и машинного обучения. 4. Разработка подходов к оценке риска и состояния железнодорожного пути на основе выявленных дефектов. 5. Проведение экспериментальных исследований эффективности предложенных методов и алгоритмов. Объектом исследования является железнодорожная инфраструктура, включающая рельсы, шпалы, крепежные элементы и другие элементы дороги. Предметом исследования являются методы и алгоритмы выявления, классификации и оценки неисправностей железных дорог. Теоретическая основа исследования основана на научных исследованиях по использованию технологий машинного обучения и компьютерного зрения в области выявления, классификации и оценки дефектов железнодорожной инфраструктуры. Работы, проведенные в последние годы, показывают, что в диагностике неисправностей железных дорог наряду с традиционными направлены на повышение эффективности интеллектуальных подходов. Исследования, проведенные Martin Lugg и Mayorkinos Papaelias, показали способность обнаруживать структурные дефекты рельсов и оценивать их глубину с помощью метода ACFM, что доказывает эффективность традиционных методов неразрушающего контроля. Zhang и его коллеги предложили подходы к высокоскоростной визуализации дефектов поверхности рельса с использованием лазерных ультразвуковых технологий. Использование методов компьютерного зрения и машинного обучения сформировало новый этап в обнаружении неисправностей железных дорог. Jaffery и его коллеги достигли высокой точности, сегментируя изображения и используя алгоритмы Random Forest, в то время как в других исследованиях были предложены подходы к классификации дефектов на основе SVM, деревьев решений и байесовских классификаторов. Развитие методов глубокого обучения вывело исследования в этой области на новый уровень. Shahrzad Faghih-Roohi и его коллеги предложили модель обнаружения дефектов рельсов на основе CNN, Y. Команда Santur разработала метод автоматического анализа лазерных изображений через нейронные сети. Song Yanan реализовал высокоточное обнаружение неисправностей в реальном времени с использованием архитектуры YOLO, в то время как Kechen и Zhang Faster продемонстрировали эффективность систем на основе R-CNN. Эти методы в настоящее время достигают точности 90-99%, обеспечивая результаты, которые превосходят визуальный контроль человека. Данные исследования показывают, что сформирована значительная научная база в области автоматического выявления, классификации и оценки неисправностей железных дорог. Однако существующие подходы имеют ряд ограничений. Многие решения направлены на решение только отдельных задач (выявление или классификация) и не обеспечивают в полной мере универсальную архитектуру, объединяющую комплексное выявление, классификацию дефектов и оценку уровня их опасности. Кроме того, разнообразие данных, влияние внешней среды, необходимость обработки в реальном времени и высокие требования к вычислительным ресурсам ограничивают эффективность современных систем. Таким образом, пробел в исследованиях определяется необходимостью разработки комплексных методов и алгоритмов, которые объединяют выявление, классификацию и оценку неисправностей железных дорог в единую интеллектуальную систему, обеспечивая высокую точность и стабильность. Этот пробел может быть эффективно устранен с помощью машинного обучения и ансамблевых подходов, основанных на глубоких нейронных сетях. Методы исследования. Исследование основано на системном анализе, проектировании, программной реализации и экспериментальной оценке. Системный анализ использовался для изучения предметной области диагностики неисправностей в железнодорожной инфраструктуре, систематизации ограничений существующих методов (традиционных и интеллектуальных), а также определения требований к выявлению, классификации и оценке неисправностей. На этапе алгоритмического и модельного проектирования были изучены методы и алгоритмы для выявления, сегментации, классификации неисправностей железных дорог и оценки уровня их опасности. При этом определены архитектура моделей, подходы к обработке данных на основе компьютерного зрения и машинного обучения, в том числе глубоких нейронных сетей (CNN, YOLO, Faster R-CNN и ансамблевые модели). На этапе реализации программного обеспечения была разработана прототипная система, поддерживающая автоматическое обнаружение и классификацию дефектов. Система включает в себя модуль обработки изображений, компоненты обучения и тестирования моделей, а также интерфейс визуализации и анализа результатов. На экспериментальном этапе эффективность предложенных методов и алгоритмов проверялась на основе набора данных. Оценка проводилась по таким метрикам, как mIoU, Dice, точность (accuracy), полнота (recall). Научная новизна и значимость данного исследования проявляются в следующих аспектах:  Предложен и теоретически обоснован комплексный подход, основанный на глубоких нейронных сетях, направленный на автоматическое обнаружение, классификацию дефектов железнодорожной инфраструктуры и оценку уровня их опасности.  Разработана и предложена ансамблевая модель, объединяющая различные модели нейронных сетей и машинного обучения, обеспечивающая повышение точности обнаружения и классификации неисправностей железных дорог.  Предложена и экспериментально апробирована методика оценки, учитывающая уровень опасности неисправностей железнодорожной инфраструктуры. Апробация и внедрение результатов исследования. Результаты данной диссертационной работы были проверены в ходе разработки, внедрения и экспериментальной проверки программного прототипа для выявления, классификации и оценки дефектов железнодорожной инфраструктуры. Разработанный прототип использовался для выявления и классификации неисправностей в железнодорожной инфраструктуре, а также для проверки работоспособности предложенных алгоритмов. Система комплексно реализует процессы обработки изображений, выявления дефектов, классификации их типов и оценки уровня опасности. Экспериментальная оценка проводилась на основе таких показателей, как точность, полнота, а также скорость работы моделей. Практическое применение результатов подтверждено внедрением разработанных решений в учебном процессе, как указано в акте внедрения. Программные средства. В качестве методологической основы разработки алгоритмов и программных средств использовался язык программирования Python, а также библиотеки машинного обучения и компьютерного зрения (TensorFlow, PyTorch). Вычислительная среда, поддерживаемая графическим процессором, использовалась для обучения и тестирования моделей. База исследования: НАО «Евразийский национальный университет им. Л.Н. Гумилева» (г. Астана, Республика Казахстан). Положения и результаты, выносимые на защиту • Набор алгоритмических моделей, основанных на методах машинного обучения, направленных на автоматическое обнаружение, классификацию и оценку уровня опасности неисправностей в железнодорожной инфраструктуре. • Сбор, обработка и формирование данных для моделей машинного обучения для выявления дефектов и сегментации на основе обработки изображений, что обеспечивает высокоточную работу. • Разработанная ансамблевая модель обеспечивает повышение точности классификации дефектов, уменьшает количество ложных определений за счет объединения результатов различных алгоритмов. • Комплекс для классификации неисправностей железных дорог и оценки уровня их опасности, что подтверждается экспериментальным анализом эффективности предложенных подходов по показателям точности и производительности. Теоретическая значимость исследования заключается в том, что полученные результаты могут быть использованы для проектирования систем обнаружения, классификации и оценки неисправностей в железнодорожной инфраструктуре, а также для разработки интеллектуальных диагностических систем, основанных на методах компьютерного зрения и машинного обучения. Представленные методы и алгоритмы позволяют в дальнейшем развивать научные исследования в области анализа технического состояния железнодорожной инфраструктуры и расширять теорию автоматического обнаружения неисправностей. Практическая значимость исследования заключается в том, что разработанные алгоритмы и программный прототип могут быть использованы в системах мониторинга и диагностики железнодорожной инфраструктуры. Предлагаемые решения позволяют выявлять дефекты, классифицировать их и оценивать уровень опасности, что способствует повышению безопасности железных дорог и оптимизации ремонтных работ. Кроме того, предлагаемые методы позволяют снизить эксплуатационные расходы и предотвратить аварийные ситуации. Основные результаты исследования опубликованы в журналах, индексируемых в базе данных Scopus: 1. 1. Specifics of Data Collection and Data Processing during Formation of RailVista Dataset for Machine Learning- and Deep Learning-Based Applications // Sensors, 2024, 24(16), 5239 (Квартиль - -Q2, процентиль - 80); В журналах, входящих в перечень научных изданий, рекомендуемых Комитетом по обеспечению качества в сфере науки и высшего образования Министерства науки и высшего образования Республики Казахстан, опубликовано 4 статьи: 1. Visual inspection of railway infrastructure based on deep learning: a systematic review of methods, models, and implementation challenges // Вестник КазАТК. - 2025, № 139(4). – Б. 412-426. 2. Modern methods for detecting railway track defects // Вестник университета Шакарим. – 2025, № 1(4(20)). – Б. 156-164. Имеется свидетельство о внесении сведений в Государственный реестр прав на объекты авторского права. Структура и объем диссертации. Диссертация написана на казахском языке и состоит из введения, четырех разделов, заключения, списка использованной литературы и приложений. В первом разделе рассматриваются современные подходы к диагностике неисправностей в железнодорожной инфраструктуре, а также основные проблемы и ограничения существующих методов. Анализируются возможности и недостатки традиционных методов диагностики (ультразвуковой, магнитный, визуальный контроль). Кроме того, будут рассмотрены преимущества использования технологий машинного обучения и компьютерного зрения, а также проведен обзор современных научных исследований в области автоматического обнаружения неисправностей железных дорог. Сравнение достоинств и недостатков существующих подходов обосновывает необходимость разработки интеллектуальных систем диагностики. Во втором разделе рассматриваются теоретические и методологические основы выявления, классификации и оценки неисправностей железных дорог. В нем исследуются методы обработки изображений, способы выделения отличительных черт, а также алгоритмы машинного обучения и глубокого обучения (CNN, SVM, ансамблевые модели). Кроме того, анализируются методы оценки точности классификации дефектов, включая показатели accuracy, precision, recall, F1-score и ROC/AUC. В третьем разделе разрабатываются алгоритмы и модели для автоматического обнаружения, сегментации и классификации неисправностей железных дорог. На основе технологий компьютерного зрения и глубоких нейронных сетей описываются архитектура моделей, этапы обработки данных и логика работы алгоритмов. Кроме того, предлагаются способы повышения точности моделей за счет использования ансамблевых подходов. Показаны архитектурные решения разработанных моделей и механизмы их взаимодействия, теоретически обоснована эффективность предложенных подходов. В четвертом разделе проводятся экспериментальные исследования предложенных методов и алгоритмов. На основе наборов данных оцениваются результаты работы моделей, анализируются их точность и производительность. Экспериментальные результаты позволяют повысить точность выявления и классификации неисправностей железных дорог, а также доказать эффективность практического применения системы. В заключении сформулированы основные выводы и результаты работы. Автор выражает благодарность своему научному руководителю, заведующей кафедрой технологий искусственного интеллекта Евразийского национального университета им. Л. Н. Гумилева, доценту, к.т.н. – Разаховой Бибигул Шамшановне за представление отчета в диссертационной работе в ходе исследования, самоотверженную помощь и ценные советы при написании работы. Автор также выражает благодарность зарубежному научному консультанту, доктору философии в области компьютерных наук, искусственного интеллекта, доктору наук в области информационной безопасности, профессору кафедры компьютерных наук Университета библиотековедения и информационных технологий – Владимиру Йоцову за профессиональные советы в ходе работы и ценные мнения, способствовавшие углублению научных результатов, улучшению качества научной работы. Автор также благодарит членов научного семинара кафедры «Технологии искусственного интеллекта» Евразийского национального университета за активное участие в обсуждении результатов исследования, а также ценные и конструктивные предложения, способствовавшие повышению научного уровня работы.

Диссертация

Список научных трудов

Отзыв научного консультанта

Отзыв зарубежного консультанта

Заключение комиссии по этической оценке исследований

Useful links