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:
- Реализация детектирования фактов курения в автомобилях каршеринга на базе оборудования ASUS/AAEON - https://www.aaeon.com/en/ai/success-story-vpc-3350s-aicx
- Решение по подсчету пассажиров в общественном транспорте на основе серверов на Intel NUC собственной разработки и краевых вычислителей UP Squared и/или AAEON VPC-3350S/AI - https://marketplace.intel.com/s/offering/a5b3b000000PSpJAAW/passengers-counter
- Решение по подсчету пассажиров в общественном транспорте с процессингом на борту - https://www.aaeon.com/en/ai/white-paper-vpc-3350s-ov
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.