Кейсы

Нейросетевая видеоаналитика на основе компьютерного зрения

Какие проблемы решает Smart Traffic System?

Проблемы города

  • Отсутствие механизмов для точного сбора статистики о загруженности транспортного потока в городе
  • Невозможность обеспечения бесперебойного движения наземного городского пассажирского транспорта, как следствие – пробки и ДТП
  • Невозможность оперативного информирования участников дорожного движения о текущей дорожной ситуации (пробки, аварии)
  • Отсутствие адаптивного управления светофорами

Проблемы интегратора

  • Отсутствие гибких решений, которые могли бы интегрироваться с различными системами и инфраструктурами (умные опоры, светофоры, системы освещения)
  • Невозможность доработки функционала существующих систем при масштабировании
  • Потеря доли рынка на конкретной территории при выходе конкурента на рынок ИТС
  • Высокие аппаратные требования существующих систем

Функционал системы

  1. Подсчет количества транспортных средств, проехавших через перекресток
  2. Определение направления движения автомобилей
  3. Определение 7 типов транспортных средств
  4. Распознавание спецтранспорта (скорая, пожарная машина, полиция и т.д.)
  5. Распознавание пешеходов и определение направления их движения
  6. Определение скорости транспортных средств
  7. Передача данных во внешние системы с подсчитанным трафиком для дальнейшей обработки
  8. Удобная разметка перекрестков в административной панели Smart Traffic System
  9. Формирование отчетов в соответствии с методическими рекомендациями к приказу Минтранса №114

Области применения

  • Статистические данные для подачи заявки на финансирование в рамках сово национального проектов
  • Автоматическая перенастройка светофоров в зависимости от трафика
  • Обоснование реконструкции дорожной сети (связанные с износом или расширением дорог)
  • Распределение пассажирских корреспонденций по участкам дорожной сети
  • Принятие эффективных бизнес-решений на основе аналитики
  • Управление внутренним логистическими потоком предприятия (детекция, координация движения)

Задействованные нейросети

  • YOLO для обнаружения и классификаций объектов
  • DeepSort для трекинга и анализа траекторий
  • OpenPose для анализа поз и движений
  • FaceNet для распознавания лиц
  • LSTM для прогнозирования клиентских потоков
  • CNN – основы компьютерного зрения
  • TensorFlow/PyTorch – платформа для разработки моделей

Полученные результаты

  • Снижение времени ожидания на 25%
  • Рост клиентской удовлетворённости на 30%
  • Увеличение потока клиентов на 20%
  • Оптимизация использования ресурсов снижение затрат на 15%
  • Улучшение точности анализа потоков до 95%
  • Идентификация повторных посетителей увеличение до 90%

У вас есть запрос на разработку?

Свяжитесь с нами по почте request@codeinside.ru и мы поможем вам реализовать проект.