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

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.

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