Ученые разработали инструмент для отслеживания общественного транспорта, который работает при слабом сигнале связи

Общественный транспорт обеспечивает мобильность миллионов людей и разгружает улицы от личных автомобилей. Для жителей отдаленных районов автобусы и троллейбусы — доступный и удобный способ добраться до работы, больниц или магазинов. Их бесперебойная работа критически важна для людей.

Традиционно для контроля за маршрутами используются GPS-трекеры. У этой технологии есть существенный недостаток: транспорт невозможно отслеживать 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). Статья опубликована в журнале «Архитектура, строительство, транспорт».

Такая технология не основывается на GPS, что делает ее полностью автономной. Даже при слабом сигнале мобильной связи она продолжает передавать поступающую информацию.

Ключевое преимущество — 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.

Чтобы система работала, ученые должны были научить ее 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 измененной 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 по одному кадру. 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.