Статья опубликована в журнале «Архитектура, строительство, транспорт».
Общественный транспорт обеспечивает мобильность миллионов людей и разгружает улицы от личных автомобилей. Для жителей отдаленных районов автобусы и троллейбусы часто являются самым доступным и удобным способом добраться до работы, больниц или магазинов. Именно поэтому их бесперебойная работа становится критически важной для людей.
Традиционно для контроля за маршрутами используются GPS-трекеры. Однако у этой технологии есть существенный недостаток: невозможность отслеживать их при слабом сигнале или полном отсутствии связи. Хотя большая часть рейсов сегодня оснащена маячками, они не всегда отражают реальную ситуацию на дороге: не показывают актуальное местоположение и не сообщают о задержке или отмене, что создает неудобства для пассажиров.
Ученые Пермского Политеха разработали систему мониторинга, которая с помощью созданного алгоритма и нейросетей распознает номер автобуса с точностью 82% и сообщает об этом пользователям в мессенджере (чат-боте).
Такая технология не основывается на GPS, что делает ее полностью автономной. Кроме того, даже при слабом сигнале мобильной связи она продолжает передавать поступающую информацию.
Ключевым преимуществом также является возможность ее интеграции с уже существующей инфраструктурой: с камерами ГИБДД, городскими системами наблюдения или даже частным оборудованием, с получением соответствующих разрешений. Такой подход значительно снижает затраты на внедрение и позволяет быстро масштабировать решение.
Эксперты протестировали разные программы для распознавания объектов и выбрали нейросетевую модель YOLO. Она способна быстрее аналогов определить мелкие объекты на изображениях, например, номера маршрутов, и обладает высокой точностью даже при обучении на ограниченных данных, что позволяет быстро адаптировать ее под новые обстоятельства.
Для реализации работы системы ее необходимо было научить определять транспортное средство в кадре видеопотока и устанавливать, что это именно автобус или троллейбус, а не автомобиль. Другая, более сложная задача — идентификация рейса при наличии в кадре мелких объектов, которые могут иметь разнообразные шрифты, цветовые схемы, быть загрязненными или частично перекрытыми.
Модель обучили на основе тысячи изображений, где были показаны разные предметы дорожного движения. Чтобы она могла находить нужную информацию в более сложных условиях (ночью, во время дождя, снегопада или при наличии бликов), мы применяли искусственное расширение набора данных. Мы специально создавали и добавляли примеры с изменённой яркостью, контрастом, имитацией погодных «помех» и другими искажениями, обучая ориентироваться в неидеальных ситуациях.
— рассказывает Андрей Затонский, доктор технических наук, заведующий кафедрой «Автоматизации технологических процессов».
Тестовый набор материалов включал видео, отобранные для представления различных сценариев: архивные записи с веб-камер видеонаблюдения и специально отснятые на камеру телефона. После обучения система научилась находить в кадре область, где расположен номер рейса. Она сама «вырезала» этот фрагмент и передавала его на обработку специализированной библиотеке, которая отвечает за определение символов.
Чтобы минимизировать ошибки, алгоритм не делает вывод на основе одного кадра. Каждый автобус распознается многократно, так как это позволяет выявить наиболее частый, а значит, корректный маршрут и занести его в базу. Вся собранная информация передается пассажирам и диспетчерам. Специально для этого был разработан чат-бот, где в реальном времени можно увидеть актуальную обстановку на дороге.
— дополняет Андрей Затонский.
Оценка работы модели производилась по нескольким ключевым метрикам: точность определения номеров — 82%, при скорости анализа 25-30 кадров в секунду. Для оптимизации производительности применялась обработка каждого пятого кадра и многократная верификация результатов: объекты распознавались по несколько раз с выбором наиболее частого результата.Модель показала способность стабильно работать в реальных условиях. Кроме того, для работы программы не требуется мощных серверов: нагрузка на процессор обычного офисного компьютера не превышала 10%, что открывает возможности для легкого масштабирования системы и быстрого внедрения в любых населенных пунктах без значительных затрат на оборудование.
Материалы: Пресс-служба ПНИПУ.