Илья Душин: «Мы создали решение, с помощью которого можно быстро и точно ответить, сколько фактически перевезено пассажиров на конкретном автобусе в конкретный день»
|
Победитель Подсчет пассажиров на общественном транспорте
|
|
Краткое описание проекта Масштаб проекта. Решена задача внедрения системы подсчета пассажиров и контроля оплаты за проезд на одном из крупнейших и старейших транспортных предприятий страны за счет автоматизации части подвижного состава в количестве 200 единиц транспорта. Актуальность проблемы, решенной при реализации проекта. В сфере пассажирских перевозок существует потребность в контроле оплаты за проезд, особенно при использовании метода наличной оплаты. Суммы собираемых средств не всегда соответствуют количеству перевезенных пассажиров. Достигнутые результаты/экономический эффект. Возможность минимизировать потери при сборе средств за оплату проезда и учитывать фактическое число перевезенных пассажиров с точностью 99%. |
О том, как удалось, используя видеоаналитику с применением нейронных сетей, наладить образцовый учет пассажиров и платы за проезд в общественном транспорте, рассказывает исполнительный директор ComBox Technology
– Компания «ComBox Technology» специализируется на разработке и внедрении нейронных сетей для детектирования и классификации объектов. Какие задачи вам надо было решить при создании счетчика пассажиров для транспортной отрасли?
– В сфере пассажирских перевозок существует потребность в контроле оплаты за проезд, особенно, когда платят наличными. Суммы собираемых средств не всегда соответствуют количеству перевезенных пассажиров. Поэтому базовой задачей стало увеличение сборов оплаты за проезд. Нам предстояло создать решение, с помощью которого можно быстро и точно ответить, сколько фактически перевезено пассажиров на конкретном автобусе в конкретный день.
Дополнительно решались и другие задачи: оптимизация маршрутов с учетом зональности; сбор статистической информации по пассажиропотокам в соответствии с ГОСТ Р 542723-2019. Возможность своевременного получения актуальной информации по перемещению пассажиров и текущей загрузке транспортных средств способствует как оперативной оптимизации, так и работе по долгосрочному планированию маршрутов.
– Что в итоге получилось? Как реализовано решение?
– Получилась система автоматического подсчета пассажиропотока с помощью видеоаналитики – счетчик на базе видеоаналитики.
Транспортные средства оборудуются видеокамерами, которые соответствуют требованиям транспортной безопасности, в зонах дверей и вычислительным устройством для обработки/передачи/хранения данных.
В течение полной смены, в моменты остановок ТС или когда открываются двери транспортного средства, ведется запись данных с видеокамер. В зависимости от типа устройств, запускается алгоритм подсчета людей «на краю» (внутри транспортного средства) или в Центре обработки данных (после передачи видео через 3G/LTE для дальнейшей обработки).
Детектирование и классификация людей происходит по головам в кадре с использованием предварительно обученной нейронной сети. Подсчет пассажиров выполняется с применением траекторного анализа.
Обмануть систему или утаить информацию невозможно, поскольку данные передаются в облачную платформу в режиме онлайн. Чтобы информация не терялась в случае пропадания канала связи, например, в зоне неуверенного покрытия мобильной сетью, предусмотрено сохранение видеоконтента на аппаратном комплексе, который устанавливается в машине.
– С какими проблемами вы столкнулись в ходе проекта? И как справились с ними? Что помогло?
– Был достаточно сложный процесс настройки зон входа/выхода и трекинга пассажиров, чтобы не допустить повторного подсчета людей, перемещающихся в зоне фокуса камеры, но не покидающих автобус.
Кроме того, надо было классифицировать различные посторонние объекты, например, рюкзаки, отблики света и прочее, чтобы избежать неверного подсчета. Интеграция с автоматикой автобусов, использование акселерометра с аппаратной частью транспортных средств (дверь, GPIO или акселерометр, в зависимости от исполнения устройства) дала возможность минимизировать ложные срабатывания входов/выходов пассажиров при движении машины, когда эти события по факту совершаться не могут.
– Как долго вы работали над этим проектом?
– Около шести месяцев мы занимались разработкой, потом еще около шести месяцев – пилотированием опытных образцов до промышленного внедрения готового комплекса видеоаналитики.
– Какие применяли технологии?
– В решении используются – нейронная сеть SSD Mobilenet v.2 для детектирования и классификации объектов, датасет COCO, дообученный на реальных данных с транспортных средств. А также фреймворк Tensorflow с дальнейшей оптимизацией и конвертацией полученной модели в Intel OpenVINO и серверы для инференса нейронных сетей различных топологий, включающие в себя восемь исполнительных устройств Intel NUC восьмого поколения.
– Чем счетчик на базе видеоаналитики отличается от других способов подсчета пассажиров? Каковы его возможности?
– Прежде всего точностью подсчета, которая составляет 99%! Альтернативно используются ручной способ подсчета (секретный/тайный пассажир) и системы подсчета пассажиров на основе датчиков, но их фактическая точность не позволяла достигнуть должного эффекта. Особенности этих технологий, их погрешности или человеческий фактор не дают возможности обеспечить корректный и систематичный контроль пассажиропотока.
Счетчик на базе видеоаналитики – это централизованная система подсчета с максимальной точностью и без вышеперечисленных недостатков.
– Может ли система применяться не только в общественном транспорте? Если да, то что необходимо для ее использования в других транспортных средствах?
– Может применяться на любых транспортных средствах, позволяющих корректно установить видеокамеры над зонами входа.
– Каков экономический эффект от внедрения проекта?
– Прямой экономический эффект выражен в увеличении выручки на 10%, что очень существенно для компаний, занимающихся пассажирскими перевозками. Дополнительно можно также сокращать эксплуатационные расходы за счет гибкой оптимизации маршрутов в зависимости от загрузки транспортных средств.
– В чем инновационность вашего проекта?
– Решаемая задача относится к классу компьютерного зрения и распознавания изображений. Реализована централизованная система автоматического подсчета пассажиров на базе видеоаналитики с применением нейронных сетей с высочайшей точностью.
– Собираетесь ли вы развивать этот проект и дальше?
– Проект будет масштабироваться в транспортной сфере, внедряться в других отраслях, таких как ритейл, банковский сектор – везде, где востребованы данные аналитики по подсчету посетителей.