Compare one-stage and two-stage segmentation for detecting vehicle damage in an image
| dc.contributor.author | Boyko Nataliya I. | |
| dc.contributor.author | Bodnar Yurii В. | |
| dc.contributor.author | Бойко Н. І. | |
| dc.contributor.author | Боднар Ю. В. | |
| dc.date.accessioned | 2026-09-30T07:32:54Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | Мета. Розробка інтелектуальної моделі предиктивного обслуговування пневматичної системи (APS) вантажівок Scania для мінімізації операційних витрат в умовах критичного дисбалансу класів та асиметричної вартості помилок. Методика. Методологія базується на порівняльному аналізі ансамблевих алгоритмів машинного навчання: Random Forest, XGBoost та CatBoost. Для вирішення проблеми розрідженості даних впроваджено стратегію імпутації, де пропущені значення розглядаються як інформативні ознаки. У роботі використано методи вартісно-орієнтованого навчання для адаптації функцій втрат до асиметричного співвідношення витрат 1:50. Також застосовано оптимізацію порогу прийняття рішень (Threshold Tuning) для зміщення межі класифікації на користь максимізації повноти (Recall) для міноритарного класу. Результати. Експериментальні результати демонструють, що алгоритм CatBoost забезпечує найвищу економічну ефективність, досягаючи показника загальних витрат у 8 640 од., що на 12,7% нижче за XGBoost і на 20,8% за Random Forest. CatBoost ідентифікував майже всі критичні несправності, допустивши лише 4 про пуски проти 9 у XGBoost. Розроблено модульний програмний прототип на базі фреймворку FastAPI, що підтверджує можливість інтеграції оптимізованої моделі в діагностичні середовища реального часу з низькою затримкою. Наукова новизна. Обґрунтовано перевагу архітектури CatBoost для промислових даних із високим дисбалансом та запропоновано метод прямої інтеграції фінансової функції вартості в процес вибору порогу прийняття рішень. Практична значимість. Практична цінність полягає у розробленому програмному комплексі та стратегії діагностики, що дозволяє логістичним компаніям знизити витрати на аварійний ремонт та простої на 10–15%. Модульна архітектура прототипу забезпечує швидку інтеграцію в існуючі системи управління автопарком. Результати надають готову методичну базу для побудови надійних систем предиктивного обслуговування вантажівок Scania та аналогічного промислового обладнання. | |
| dc.description.abstracteng | Purpose. Development of an intelligent predictive maintenance model for Scania truck Air Pressure Systems (APS) to minimize operational costs under conditions of critical class imbalance and asymmetric error costs. Method. The methodology is based on a comparative analysis of ensemble machine learning algorithms, including Random Forest, XGBoost, and CatBoost. To address data sparsity, a specific imputation strategy was implemented where missing values are treated as informative features. The research utilizes cost-sensitive learning techniques to adapt loss functions to an asymmetric 1:50 cost ratio (false positives vs. false negatives). Furthermore, decision threshold optimization (Threshold Tuning) was applied to shift the model’s classification boundary in favor of higher recall for the minority "failure" class. Results. Experimental results demonstrate that the CatBoost algorithm provides the highest economic efficiency, achieving a total operating cost of 8,640 units, which is 12.7% lower than XGBoost and 20.8% lower than Random Forest. CatBoost correctly identified almost all critical failures, resulting in only 4 false negatives compared to 9 for XGBoost. A modular software prototype was developed using the FastAPI framework, demonstrating the feasibility of deploying the optimized model into real-time diagnostic environments with low latency. Scientific novelty. The advantage of the CatBoost architecture for industrial data with high imbalance is justified, and a method for direct integration of a financial cost function into the decision threshold selection process is proposed. Practical importance. The practical value lies in the developed software complex and the optimized diagnostic strategy, which allows logistics companies to reduce unplanned downtime and emergency repair costs by an estimated 10–15%. The modular architecture of the prototype enables rapid integration into existing fleet management systems. The results provide a ready-to-use framework for engineers and data scientists to build robust predictive maintenance systems for Scania heavy-duty trucks and similar industrial equipment. | |
| dc.identifier.citation | Boyko, N. I. Compare one-stage and two-stage segmentation for detecting vehicle damage in an image = Розробка моделі підтримки прийняття рішень для діагностики транспорту з урахуванням вартості помилок / N. I. Boyko, Yu. В. Bodnar // Зб. наук. пр. НУК. – Миколаїв : Гельветика, 2026. – № 1 (504), т. 2. – С. 62–72. | |
| dc.identifier.govdoc | https://doi.org/10.15589/znp2026.1(503).2.8 | |
| dc.identifier.issn | 2311-3405 (Print) | |
| dc.identifier.issn | 2313-0415 (Online) | |
| dc.identifier.uri | https://eir.nuos.edu.ua/handle/123456789/13723 | |
| dc.language.iso | en | |
| dc.relation.ispartofseries | UDC 004.94 | |
| dc.subject | predictive maintenance | |
| dc.subject | machine learning | |
| dc.subject | Scania APS | |
| dc.subject | CatBoost | |
| dc.subject | XGBoost | |
| dc.subject | class imbalance | |
| dc.subject | cost minimization | |
| dc.subject | предиктивне обслуговування | |
| dc.subject | машинне навчання | |
| dc.subject | дисбаланс класів | |
| dc.subject | мінімізація витрат | |
| dc.title | Compare one-stage and two-stage segmentation for detecting vehicle damage in an image | |
| dc.title.alternative | Розробка моделі підтримки прийняття рішень для діагностики транспорту з урахуванням вартості помилок | |
| dc.type | Стаття |
Files
Original bundle
1 - 1 of 1