Experimental Investigation of Computer Vision Architectures for Object Detection in Mobile Robotics

Авторы:

Perizat Rakhmetova (Первый автор)

Lazzat Kurmangalieva (Соавтор)

Baglan Bekbossynova (Соавтор)

Beibit Shingissov (Соавтор)

Издательство:

IEEE

Дата издания

28.11.2025

На каком языке издана

Английский язык

ISSN

979-8-3315-0120-4

Область исследования

Инжиниринг и технологии

Тип исследования

Прикладное

Аннотация (краткое описание)

In recent years, computer vision has emerged as a key technology for autonomous mobile robots and transportation systems, enabling their ability to perceive the environment and make real-time decisions. One of the most critical and widely demanded tasks is object detection, which is essential for navigation, collision avoidance, and the execution of mission-specific operations. This paper examines experimental studies of computer vision algorithms used for object detection in mobile robots. The focus is on the analysis and comparison of modern methods, including classical image processing algorithms and deep learning-based neural network approaches. The experimental study was conducted in a pipeline system to detect in-pipe defects, which requires high accuracy and robustness of algorithms given the limited computing resources of mobile platforms. Experiments were conducted using various object detector architectures (YOLO, SSD, Faster R-CNN) and lightweight models, such as MobileNet, designed for resource-constrained environments. Algorithm performance was evaluated based on accuracy and processing speed. The results of the study enable the identification of optimal solutions for integrating computer vision systems into mobile robots, ensuring a balance between detection quality and operational efficiency. Furthermore, the study explores the potential adaptation of these architectures for specialized scenarios, such as pipeline inspection, where detecting complex-shaped defects within confined spaces is required.

Соответствие целям устойчивого развития (ЦУР)

URI

https://www.scopus.com/pages/publications/105032351339

DOI

10.1109/CIEES66347.2025.11300112

Тип публикаций

Материалы конференции

Практическое значение

Практическое значение исследования заключается в разработке и выборе эффективных алгоритмов компьютерного зрения для мобильных робототехнических систем, работающих в условиях ограниченных вычислительных ресурсов и повышенных требований к точности обнаружения объектов. Проведённый сравнительный анализ архитектур YOLO, SSD, Faster R-CNN и MobileNet позволяет определить оптимальные модели для интеграции в автономные мобильные платформы и транспортные системы. Полученные результаты могут быть использованы при создании интеллектуальных систем навигации, предотвращения столкновений и автоматического мониторинга технического состояния объектов. Особое практическое значение имеет применение разработанных решений для диагностики трубопроводов, где требуется обнаружение дефектов сложной формы в ограниченном пространстве и в режиме реального времени. Использование адаптированных алгоритмов компьютерного зрения позволяет повысить точность выявления повреждений, снизить вероятность аварий и сократить затраты на техническое обслуживание инфраструктуры. Кроме того, исследование способствует повышению эффективности мобильных роботов за счёт выбора архитектур, обеспечивающих баланс между качеством распознавания и скоростью обработки данных. Это делает возможным применение подобных систем в промышленной автоматизации, энергетике, нефтегазовой отрасли, транспортной сфере и системах технического контроля.

Источник квартиля

SCImago (Scopus)

Данный документ располагается в коллекциях

Международные публикации ученых SU

Scopus

Файлы документа

Experimental Investigation of Computer Vision Architectures for Object Detection in Mobile Robotics.pdf