Улучшение системы контроля за движением общественного транспорта с помощью методов машинного обучения

Обложка

Цитировать

Полный текст

Аннотация

Исследование посвящено разработке программного обеспечения для решения практически важной задачи – обеспечения общественного контроля за движением городского общественного транспорта, что особенно важно в условиях неполной доступности сигналов GPS/ГЛОНАСС и сотовой связи. Основой информационной системы являются видеокамеры, расположенные по маршруту, и система технического зрения, распознающая появление автобуса или троллейбуса в кадре, локализацию и номер его маршрута. С помощью свободно распространяемого детектора объектов YOLOv11s удалось добиться точности распознавания машины на уровне 96 %. Данная версия YOLO нетребовательна к ресурсам и позволяет использовать обычный персональный компьютер для работы с несколькими потоками видео. Номер маршрута распознавался с использованием библиотеки PaddleOCR с открытым кодом, точность составила 82 %. Далее полученный результат сопоставлялся с расписанием движения автобусов, полученные данные размещались в открытом доступе через Телеграм-бот. Результаты работы направлены на повышение удобства городского общественного транспорта, снижение социальной напряженности, обеспечение жителей и диспетчерских служб информацией об отклонениях в работе городского транспорта в режиме реального времени.

Об авторах

A. В. Затонский

Березниковский филиал Пермского национального исследовательского политехнического университета

Email: zxenon@narod.ru
ORCID iD: 0000-0003-1863-2535

В. В. Данилов

Пермский национальный исследовательский политехнический университет

Email: vsevolod.dnlv@mail.ru

Список литературы

  1. Андреев К. П., Терентьев В. В. Современные проблемы городского пассажирского транспорта. Научный альманах. 2016;(11-2):19–21. URL: https://elibrary.ru/item.asp?edn=xigdxv
  2. Андреев К. П., Терентьев В. В., Темнов Э. С. Проблемы качества транспортного обслуживания населения. В сб.: Проблемы исследования систем и средств автомобильного транспорта: материалы Международной очно-заочной научно-технической конференции, Тула, 23–24 ноября 2017 года. Тула: Тульский государственный университет, 2017. С. 105–110. URL: https://elibrary.ru/item.asp?id=32512428
  3. Рахматуллина А. Р. Проблемы развития городского общественного транспорта. Управление экономическими системами. 2013;(12):70. URL: https://econpapers.repec.org/article/scn007255/15547324.htm
  4. Спеваков Б. С. Инновационные методы управления городским транспортом: опыт глобальных мегаполисов. В сб.: Международная научно-техническая конференция молодых ученых БГТУ им. В. Г. Шухова, посвященная 170-летию со дня рождения В. Г. Шухова, Белгород, 16–17 мая 2023 года. Белгород: Белгородский государственный технологический университет им. В. Г. Шухова, 2023. С. 947–952. URL: https://elibrary.ru/item.asp?id=54616552&pff=1
  5. Минниханов Р. Н. Интегрированная система мониторинга и контроля транспортных потоков. Наука и техника в дорожной отрасли. 2017;(1):13–15. URL: https://lib.madi.ru/nitdo/index.html
  6. Мишина Е. С., Лебедь Р. К., Хмелев Р. Н. К вопросу оснащения городского общественного транспорта системами мониторинга и обеспечения транспортной безопасности. Известия Тульского государственного университета. Технические науки. 2020;(10):326–332. URL: https://elibrary.ru/item.asp?id=44298662
  7. Сирота А. А., Митрофанова Е. Ю., Милованова А. И. Анализ алгоритмов поиска объектов на изображениях с использованием различных модификаций сверточных нейронных сетей. Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2019;(3):123– 137. https://journals.vsu.ru/sait/article/view/1313
  8. Wu J., Fan P., Sun Y., Gui W. Ghost-RetinaNet: Fast Shadow Detection Method for Photovoltaic Panels Based on Improved RetinaNet. Computer Modeling in Engineering & Sciences. 2023;134(2):1305–1321. https://doi.org/10.32604/cmes.2022.020919
  9. He L.-h., Zhou Y.-z., Liu L., Cao W., Ma J.-h. Research on object detection and recognition in remote sensing images based on YOLOv11. Scientific Reports. 2025;15:14032. https://doi.org/10.1038/s41598-025-96314-x
  10. Андриянов Н. А., Андриянов Д. А. О важности аугментации данных при машинном обучении в задачах обработки изображений в условиях дефицита данных. В сб.: Информационные технологии и нанотехнологии (ИТНТ-2020): материалы VI Международной конференции и молодежной школы, Самара, 26–29 мая 2020 года. Самара: Самарский национальный исследовательский университет имени академика С. П. Королева, 2020. Т. 2. С. 383–388. URL: https://repo.ssau.ru/handle/Informacionnye-tehnologiii-nanotehnologii/O-vazhnosti-augmentacii-dannyh-pri-mashinnom-obuchenii-v-zadachah-obrabotkiizobrazhenii-v-usloviyah-deficita-dannyh-85287
  11. Маратулы А., Абибуллаев Е. А. Исследование производительности и сравнительный анализ YOLO-NAS и предыдущих версий YOLO. Международный журнал информационных и коммуникационных технологий. 2024;5(17):71–83. https://doi.org/10.54309/IJICT.2024.17.1.006
  12. Pujara A., Bhamare M. DeepSORT: Real Time & Multi-Object Detection and Tracking with YOLO and TensorFlow. In: International Conference on Augmented Intelligence and Sustainable Systems (ICAISS), Trichy, India, 2022. P. 456–460. https://doi.org/10.1109/ICAISS55157.2022.10011018
  13. Бесшапошников Н. О., Кузьменко М. А., Леонов А. Г., Матюшин M. А. Автоматизация разметки набора данных для нейронных сетей. Вестник кибернетики. 2018;(4):204–210.
  14. Бурдуковский С. О. Аналитический обзор программного обеспечения для разметки изображений labelimg. В сб.: Приоритетные направления инновационной деятельности в промышленности: материалы III международной научной конференции, Казань, 30–31 марта 2021 года. Москва: ООО «Конверт», 2021. С. 156–157. URL: https://elibrary.ru/item.asp?id=45746462
  15. Sarkar O., Sinha S., Jena A. K., Parida A. K., Parida N., Parida R. K. Automatic number plate character recognition using paddle-OCR. In: International Conference on Innovations and Challenges in Emerging Technologies (ICICET), Nagpur, India, 2024. P. 1–7. https://doi.org/10.1109/ICICET59348.2024.10616305
  16. Reddy P. P., Shruthi P. S., Himanshu P., Singh T. License plate detection using YOLO v8 and performance evaluation of easyOCR, paddleOCR and tesseract. In: 15th International Conference on Computing Communication and Networking Technologies (ICCCNT), Kamand, India, 2024. P. 1–6. http://dx.doi.org/10.1109/icccnt61001.2024.10725878

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».