Общественный транспорт: основа городской мобильности
Автобусы и троллейбусы играют ключевую роль для миллионов людей, предлагая доступный способ передвижения и разгружая дороги от личного автотранспорта. Для жителей удаленных районов это зачастую незаменимая возможность добраться до важных объектов. Бесперебойность их работы жизненно важна для комфорта горожан.
Проблемы традиционного GPS-контроля
Хотя GPS-трекеры широко используются для отслеживания маршрутов, у технологии есть серьезный недостаток: потеря сигнала связи делает транспортную единицу "невидимой". Даже при наличии маячков пассажиры нередко сталкиваются с отсутствием актуальной информации о местоположении, задержках или отменах рейсов.
Инновационное решение Пермского Политеха
Специалисты Пермского Политеха представили передовую систему мониторинга. Их уникальный алгоритм в связке с нейросетями распознает номер автобуса с впечатляющей точностью 82% и оперативно передает данные пользователям через мессенджер в форме чат-бота.
Ключевые преимущества новой технологии
Эта технология кардинально отличается отсутствием зависимости от GPS, обеспечивая полную автономность работы. Она продолжает функционировать даже при слабом сигнале сотовой сети, не прерывая передачу важных сведений.
Главное достоинство системы — ее гибкость интеграции. Она может легко взаимодействовать с действующей инфраструктурой: камерами дорожного контроля, городскими видеосистемами или частными устройствами при наличии разрешений. Это ощутимо снижает затраты на внедрение и позволяет быстро расширять масштабы применения.
Сила нейросети YOLO в распознавании
Для распознавания объектов были тщательно протестированы различные программы. Оптимальной признана нейросетевая модель YOLO, демонстрирующая превосходство в скорости идентификации мелких деталей на изображениях, как номера маршрутов. Ее высокая точность сохраняется даже при обучении на небольшом объеме данных, что обеспечивает оперативную адаптацию к новым условиям.
Ученым удалось обучить систему не только выделять транспортное средство в видеопотоке и отличать автобус или троллейбус от автомобиля, но и решать сложную задачу идентификации номера рейса. Эти номера могут иметь разные шрифты, цвета, быть грязными или частично закрытыми.
Обучение модели проводилось на основе тысяч изображений объектов дорожной сцены. Для устойчивой работы в сложных условиях — ночью, под дождем, снегом или при бликах — применялось искусственное расширение набора данных. В него включались примеры с измененной яркостью, контрастом, имитацией атмосферных помех и других искажений, обучая систему работать в неидеальных средах.
Тестирование использовало разнообразные видео: записи с веб-камер наблюдения и съемки с мобильных телефонов. После обучения система научилась находить в кадре область с номером рейса, "вырезать" этот фрагмент и направлять его на распознавание символов специализированной библиотеке.
Для обеспечения высокой достоверности алгоритм анализирует не один кадр. Каждое транспортное средство распознается многократно, что позволяет выявить наиболее вероятный и верный номер маршрута для записи в базу данных. Этот принцип многократной верификации минимизирует ошибки.
Выдающиеся результаты и перспективы внедрения
Система доказала свою эффективность на практике. Ее точность достигла 82% при производительности 25-30 кадров в секунду. Для оптимизации скорости обработки применялся анализ каждого пятого кадра при сохраняющейся многократной проверке результатов.
Одно из важнейших преимуществ — минимальные требования к ресурсам. Нагрузка на процессор обычного офисного компьютера не превышала 10%! Это открывает блестящие перспективы для легкого масштабирования системы и быстрого внедрения в городах любых размеров без крупных инвестиций в серверную инфраструктуру.
Вся актуальная информация динамично передается пассажирам и диспетчерам через специально разработанный чат-бот, позволяющий видеть ситуацию на дорогах в реальном времени.
Источник: naked-science.ru
