DOI: https://doi.org/10.1038/s41598-026-40858-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41735379
تاريخ النشر: 2026-02-24
المؤلف: Junting Lin وآخرون
الموضوع الرئيسي: تطبيقات الشبكات العصبية المتقدمة
نظرة عامة
تقدم البحث إطار عمل جديد لتجزئة الكائنات، SMDE-YOLO، مصمم خصيصًا لتجزئة مسارات السكك الحديدية في البيئات المعقدة، حيث يعالج التحديات مثل الحدود الضبابية والخلفيات المعقدة التي تعيق النماذج التقليدية. لتعزيز تعبير ميزات الحواف، يستخدم الإطار استراتيجية تعزيز الحواف المعتمدة على شير خلال مرحلة زيادة البيانات. بالإضافة إلى ذلك، يدمج شبكة هرمية متعددة الفروع ديناميكية (DMBFPN) لتحسين نمذجة الميزات متعددة المقاييس ووحدة دمج ميزات الحواف متعددة المقاييس (MSEFF) لتسهيل تجميع الميزات الموجهة بالحواف.
لتحقيق توازن بين الكفاءة الحسابية ودقة التجزئة، يقدم الإطار رأس تجزئة فعال مفصول معزز مزدوج (DEED-Seg)، الذي يقلل من الحمل الحسابي. تشير النتائج التجريبية إلى أن SMDE-YOLO يتفوق على الطرق الحالية في مجموعة بيانات Railsem7750، مما يبرز أهمية تحديد موقع المسار بدقة للتفتيش الذكي وتحديد مناطق الأمان في سيناريوهات المرور المعقدة.
مقدمة
تتناول مقدمة هذه الورقة البحثية التحديات الحرجة في سلامة السكك الحديدية، وخاصة الحاجة إلى استخراج المعلومات الدقيقة وإدارة مرافق السكك الحديدية وسط بيئات البيانات المعقدة. أحد المساهمين الرئيسيين في حوادث السكك الحديدية هو الدخول غير القانوني للمشاة والمركبات إلى المسارات، بالإضافة إلى الحطام البيئي وأنشطة البناء غير المصرح بها. للتخفيف من هذه المخاطر، تؤكد الدراسة على أهمية التجزئة الدقيقة لمناطق مسارات السكك الحديدية، وهو أمر ضروري لعمليات القطارات الآمنة، وصيانة المسارات الفعالة، وتحسين الجدولة.
لمعالجة قيود نماذج التجزئة التقليدية، وخاصة صراعاتها مع ضبابية الحواف وعدم تناسق المقياس بسبب الهيكل الهندسي الفريد لمسارات السكك الحديدية، تقترح الورقة إطار عمل مبتكر لتجزئة الكائنات متعددة المقاييس الموجهة بالحواف. يعزز هذا الإطار حساسية الميزات لحدود المسار مع الحفاظ على السياق العالمي من خلال تعزيز الميزات الموجهة بالحواف ودمج الميزات متعددة المقاييس. تقدم الدراسة نموذج دمج ميزات ديناميكي متعدد الفروع، يسمى SMDE-YOLO، والذي يتضمن أربعة مكونات رئيسية: تعزيز الحواف المعتمد على شير (S)، دمج ميزات الحواف متعددة المقاييس (MSEFF، M)، شبكة هرمية متعددة الفروع ديناميكية (DMB-FPN، D)، ورأس تجزئة فعال مفصول معزز مزدوج (DEED-Seg، E). ومن الجدير بالذكر أن البحث يقدم خوارزمية تعزيز حواف البيانات المقيدة بالكمامة التي تستخدم كشف حواف شير والتوسيع الشكلي لتحسين معلومات الحدود، مما يقلل من ضبابية الحواف والضوضاء في المشاهد المعقدة.
الطرق
في هذا القسم، يناقش المؤلفون المنهجيات المستخدمة في كشف الحواف وتجزئة المسارات في صور السكك الحديدية، مع التأكيد على أهمية تحديد مناطق المسار بدقة لسلامة العمليات. لقد أثبتت تقنيات معالجة الصور التقليدية، التي تعتمد على مكونات اللون والع thresholds الثابتة، عدم كفايتها بسبب حساسيتها للتغيرات البيئية. وبالتالي، تحولت التطورات الأخيرة نحو طرق كشف الحواف التي تعزز الإدراك الهيكلي. يتم تصنيف هذه الطرق إلى تقنيات من الدرجة الأولى (مثل: Sobel، Prewitt، Canny، Scharr) وتقنيات من الدرجة الثانية (مثل: Laplacian of Gaussian)، حيث تركز الأولى على تدرجات الصورة والأخيرة على المشتقات من الدرجة الثانية. لقد أظهرت دمج كشف الحواف مع نماذج التعلم العميق نتائج واعدة، كما يتضح من مختلف الأطر التي تستفيد من معلومات الحواف لتحسين دقة استخراج المسار في الخلفيات المعقدة.
كما يحدد قسم المنهجية مؤشرات التقييم التجريبية المستخدمة لتقييم أداء النموذج، بما في ذلك الدقة (P)، الاسترجاع (R)، الدقة المتوسطة (AP)، متوسط الدقة المتوسطة (mAP)، عدد المعلمات، وعمليات النقطة العائمة (FLOPS). تم تصميم مقاييس التقييم لقياس أداء الكشف والتجزئة بشكل شامل، خاصة في مهام تجزئة الكائنات. أجرى المؤلفون تجارب مقارنة على خمسة خوارزميات لتعزيز الحواف—Canny، Sobel، Prewitt، Laplacian of Gaussian، وScharr—لتحديد فعاليتها في تحسين تجزئة المسار. تشير النتائج إلى أنه بينما تعزز جميع الطرق التجزئة، فإن طريقة Scharr تتفوق على الآخرين من حيث مقاومة الضوضاء واستمرارية الحواف، محققة أعلى درجات المAP لكل من مهام الكشف والتجزئة، مما يثبت ملاءمتها لتطبيقات تجزئة مسارات السكك الحديدية.
المناقشة
في قسم المناقشة، تقدم الورقة التقدمات التي تم إحرازها في نموذج SMDE-YOLO لتجزئة الكائنات، خاصة في سياق كشف مسارات السكك الحديدية. يتضمن النموذج شبكة هرمية متعددة الفروع ديناميكية (DMBFPN) لتعزيز دمج الميزات متعددة المقاييس، مما يحسن قدرة النموذج على التقاط التفاصيل الدقيقة والحواف في البيئات المعقدة. بالإضافة إلى ذلك، يتم تقديم رأس تجزئة فعال مفصول معزز مزدوج (DEED-Seg)، الذي يستخدم الالتفاف القابل للفصل العمقي (DSConv) والانتباه الفعال للقناة (ECA) لتعزيز استجابة النموذج للمناطق الحرجة للحواف مع الحفاظ على هيكل خفيف الوزن.
تسلط الورقة أيضًا الضوء على فعالية خوارزمية تعزيز حواف البيانات المقيدة بالكمامة المقترحة، التي تستخدم طريقة كشف حواف شير لتحسين استخراج تفاصيل الحواف في مناطق مسارات السكك الحديدية. تعزز هذه الخوارزمية أداء النموذج من خلال التركيز على حواف المنطقة المستهدفة، مما يحسن دقة التجزئة في الظروف الصعبة. تظهر النتائج التجريبية أن نموذج SMDE-YOLO يتفوق على الأطر الحالية، محققًا دقة وكفاءة متفوقتين في مجموعة بيانات Railsem7750، مما يجعله حلاً واعدًا لمهام تجزئة مسارات السكك الحديدية في الوقت الحقيقي.
DOI: https://doi.org/10.1038/s41598-026-40858-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41735379
Publication Date: 2026-02-24
Author(s): Junting Lin et al.
Primary Topic: Advanced Neural Network Applications
Overview
The research presents a novel instance segmentation framework, SMDE-YOLO, specifically designed for railway track segmentation in complex environments, addressing challenges such as blurred boundaries and intricate backgrounds that hinder traditional models. To enhance edge feature expression, the framework employs a Scharr-based edge enhancement strategy during the data augmentation phase. Additionally, it integrates a Dynamic Multi-Branch Feature Pyramid Network (DMBFPN) for improved multi-scale feature modeling and a Multi-Scale Edge Feature Fusion (MSEFF) module to facilitate edge-guided feature aggregation.
To achieve a balance between computational efficiency and segmentation accuracy, the framework introduces the Dual Enhanced Efficient Decoupled segmentation head (DEED-Seg), which minimizes the computational load. Experimental results indicate that SMDE-YOLO outperforms existing methods on the Railsem7750 dataset, underscoring the importance of accurate track localization for intelligent inspection and safety zoning in complex traffic scenarios.
Introduction
The introduction of this research paper addresses the critical challenges in railway safety, particularly the need for accurate information extraction and management of railway facilities amidst complex data environments. A significant contributor to railway accidents is the illegal entry of pedestrians and vehicles onto tracks, as well as environmental debris and unauthorized construction activities. To mitigate these risks, the study emphasizes the importance of precise segmentation of railway track regions, which is essential for safe train operations, effective track maintenance, and improved scheduling.
To tackle the limitations of conventional segmentation models, particularly their struggles with edge blurring and scale inconsistency due to the unique geometric structure of railway tracks, the paper proposes an innovative Edge-Guided Multi-Scale Instance Segmentation framework. This framework enhances feature sensitivity to track boundaries while preserving global context through edge-guided feature enhancement and multi-scale feature fusion. The study introduces a multi-branch dynamic feature fusion model, termed SMDE-YOLO, which incorporates four key components: Scharr-based edge enhancement (S), Multi-Scale Edge Feature Fusion (MSEFF, M), Dynamic Multi-Branch Feature Pyramid Network (DMB-FPN, D), and Dual Enhanced Efficient Decoupled Segmentation Head (DEED-Seg, E). Notably, the research presents a mask-constrained data edge enhancement algorithm that utilizes Scharr edge detection and morphological dilation to improve boundary information, thereby reducing edge blurring and noise in complex scenes.
Methods
In this section, the authors discuss the methodologies employed for edge detection and track segmentation in railway imagery, emphasizing the importance of accurate track region identification for operational safety. Traditional image processing techniques, which rely on color components and fixed thresholds, have proven inadequate due to their sensitivity to environmental variations. Consequently, recent advancements have shifted towards edge detection methods that enhance structural perception. These methods are categorized into first-order (e.g., Sobel, Prewitt, Canny, Scharr) and second-order (e.g., Laplacian of Gaussian) techniques, with the former focusing on image gradients and the latter on second-order derivatives. The integration of edge detection with deep learning models has shown promising results, as evidenced by various frameworks that leverage edge information to improve track extraction accuracy in complex backgrounds.
The methodology section also outlines the experimental evaluation indicators used to assess model performance, including precision (P), recall (R), average precision (AP), mean average precision (mAP), parameter count, and Floating Point Operations (FLOPS). The evaluation metrics are designed to comprehensively measure detection and segmentation performance, particularly in instance segmentation tasks. The authors conducted comparative experiments on five edge enhancement algorithms—Canny, Sobel, Prewitt, Laplacian of Gaussian, and Scharr—to determine their effectiveness in improving track segmentation. The results indicate that while all methods enhance segmentation, the Scharr method outperforms others in terms of noise resistance and edge continuity, achieving the highest mAP scores for both detection and segmentation tasks, thereby validating its suitability for railway track segmentation applications.
Discussion
In the discussion section, the paper presents the advancements made in the SMDE-YOLO model for instance segmentation, particularly in the context of railway track detection. The model incorporates a Dynamic Multi-Branch Feature Pyramid Network (DMBFPN) to enhance multi-scale feature fusion, improving the model’s ability to capture fine details and edges in complex environments. Additionally, the Dual Enhanced Efficient Decoupled Segmentation Head (DEED-Seg) is introduced, which utilizes Depthwise Separable Convolution (DSConv) and Efficient Channel Attention (ECA) to bolster the model’s responsiveness to critical edge areas while maintaining a lightweight structure.
The paper also highlights the effectiveness of the proposed mask-constrained data edge enhancement algorithm, which employs the Scharr edge detection method to improve edge detail extraction in railway track areas. This algorithm enhances the model’s performance by focusing on the edges of the target area, thus improving segmentation accuracy in challenging conditions. Experimental results demonstrate that the SMDE-YOLO model outperforms existing frameworks, achieving superior accuracy and efficiency on the Railsem7750 dataset, making it a promising solution for real-time railway track segmentation tasks.