Применение нейронных сетей в транспортной отрасли

Рассмотрим основные сценарии применения систем искусственного интеллекта и нейронных сетей для транспортной инфраструктуры:

  • Поиск нужного автомобиля по заданным параметрам

    Наша система распознавания может учитывать такие параметры, как гос регистрационный знак ТС, цвет, тип. Распознавание выполняется в режиме реального времени с возможностью интеграции с имеющимися информационными или иными системами.
  • Помощь в обнаружении угнанных автомобилей

    В режиме реального времени по RTSP-потоку выполняется детектирование номерной пластины, распознавание номера (шаблоны РФ, СНГ, Европа) и поиск по локальной или удаленной базе данных с возможностью уведомления по факту нахождения совпадений.
  • Разработка идеального маршрута для конкретного ТС

    Анализ загруженности автомагистралей путем применения счетчиков транспортных средств по типам. Данные получаются и анализируются с уже установленных дорожных камер путем процессинга файлов (обработка видеоархивов) или в режиме реального времени (анализ RTSP-потоков).
  • Управление автомобильными потоками

    Используя детекторы транспортных средств и людей реализуется возможность автоматизации и прогнозирования поведения светофоров в рамках нагруженных перекрестков, что позволяет значительно увеличить пропускную способность в управлении транспортными потоками.
  • Прогнозирование объёмов грузоперевозок

    Путем анализа предыдущих периодов по RTSP-потокам или видеоархивам (постпроцессинг) мы даем возможность прогнозирования объемов грузоперевозок на конкретных маршрутах движения транспортных средств.
  • Предсказание дорожной ситуации при различных условиях

    Анализ скорости движения транспортных средств с возможностью интеграции полученных данных с иными системами учета по REST API.
  • Фиксация скоростного режима автомобилей

    В рамках нашей системы видеоаналитики предусмотрена интеграция с радарами для фиксации скорости движения транспортных средств или возможность приблизительного определения скорости по видео с погрешностью не более 3%.
  • Предотвращение аварийных ситуаций на дорогах

    Используя собственный детектор дорожно-транспортных происшествий мы можем выявлять факты ДТП путем анализа данных в RTSP-потоках в режиме реального времени.
  • Изучение реакции водителей при различных дорожных ситуациях и выработка норм поведения на дорогах

    Анализ данных по записям дорожных камер видеонаблюдения и возможность обработки видеоархива для получения метрик поведения водителей конкретных точек или их совокупности.

Некоторые совместные реализованные проекты:

Использование нейросетей на транспорте

Прогнозируемый результат внедрения нейросетей в транспортную отрасль

  • Улучшение дорожной ситуации, уменьшение количества аварийных происшествий 
  • Эффективный поиск ТС по любым заданным параметрам на территории РФ
  • Построение идеального маршрута при любой дорожной ситуации
  • Развитие рынка беспилотных транспортных средств

Вы можете запросить у нас демонстрационный доступ к системе объектовой видеоаналитики для транспорта и посмотреть основные детекторы и классификаторы на действующих демонстрационных камерах или подключить несколько своих камер для анализа работы системы.

Основные виды детекторов и классификаторов, которые мы предлагаем для транспорта:

  • Детектор транспортных средств, счетчик
  • Классификация транспортных средств по типам
  • Классификация транспортных средств по маркам и моделям
  • Подсчет пассажиропотоков в транспорте, счетчики
  • Детектор автомобильных номеров
  • Распознавание автомобильных номеров
  • Детектор курения для водителей и пассажиров - https://habr.com/ru/company/intel/blog/498768/

Несколько примеров:


Видео 1. Распознавание номеров транспортных средств с дорожных камер. Дополнительно в качестве признака может определяться марка и модель транспортного средства.


Видео 2. Детекция транспортных средств с видеорегистратора по ходу движения. Инференс выполняется внутри транспортного средства на базе UP Squared или AAEON VPC-3350S/AI.


Видео 3. Детекция транспортных средств и их классификация по типам. Реализация детектора и классификатора с оптимизацией нейронной сети под фреймворк Intel OpenVINO.


Видео 4. Система подсчета пассажиров для общественного транспорта. Данные о трафике получаются с камер, устанавливаемых над дверьми транспортных средств. Процессинг и обработка может выполняться при помощи нейронной сети в ЦОД или непосредственно в транспортном средстве.

Вернуться на главную
Благодарим за Ваше обращение!
Наш специалист свяжется с Вами в самом ближайшем будущем чтобы обсудить вопросы взаимодействия.