NeuroCore

Статистика аварий при этом удручает: только в 2024 году в авариях с автобусами пострадало 10 910 человек, а для 602 из них поездка стала последней (источник). Виноваты чаще всего водители: заснули, отвлеклись, заговорились по телефону.

Как это исправить, чтобы не контролировать каждого человека лично? ИИ на помощь! Но обо всём по порядку.

История проекта: от аэропортов до автобусов

В 2020 году системный интегратор предложил нам проект. Задача простая: сделать систему контроля за состоянием водителя. До этого мы разрабатывали такие же нейросети для аэропортов, и нам показалось хорошей идеей адаптировать технологию и для общественного транспорта.

Основная идея: камеры фиксируют состояние водителя, а алгоритм в реальном времени вычисляет, не отвлекается ли человек. Штрафов для водителя система не даёт, зато предупреждает его громким сигналом.

Но как выбрать компьютер, который работает прямо в автобусе? Мы провели изучение компактных железок и остановили свой выбор на Nvidia Jetson AGX Xavier — компактное устройство, способное научить автобус "думать" в движении. Схема такой системы представлена на графике ниже:

А вот как мы вмонтировали систему в сам автобус:

"Снимай всё, что движется!": как мы собирали данные

Для обучения нейросетей нужны данные. Много данных. И получить их было задачей не из лёгких.

Процесс:

Нам нужно было воссоздать "запрещённые состояния" водителя. Представьте: 5 автобусов, десятки "водителей" (обычные сотрудники) и сценарии как в кино:

• Кто-то снимает шапку на ходу.

• Кто-то хохочет с телефоном у уха.

• Другие имитируют сонливость или курение.

Данные собирались в разное время суток, под разными углами и аксессуарами. Затем фотографии и видео передавались в нейросеть, которая училась отличать нормальное поведение от того, что может привести к аварии.

Ключевой момент: чтобы сократить энергозатраты, мы перенесли детальную обработку с самого автобуса на сервер. Устройство фиксировало лишь общее состояние ("отвлечение" или "сонливость"), а сервер разбирался в деталях.

"Спокойствие за рулём": результаты проекта

После установки системы в автобусах Московской области аварийность снизилась. Мы зафиксировали:

• Уменьшение числа нарушений на 18% за первые месяцы.

• Водителям стало проще следить за собой через дополнительные оповещения.

Проект показал, что компьютерное зрение и ИИ — это не "технологии будущего", а реальная помощь уже сейчас.

Что все это значит?

Вот чем может быть полезен искусственный интеллект в производстве:

• Техническое зрение и автоматизация дел помогают сделать поездки безопаснее.

• Эти системы — не просто алгоритмы, это инструменты, которые спасают жизни.

• В следующий раз, садясь в автобус, знайте: технологии работают незаметно, но эффективно.

Хотите узнать больше о наших проектах? Подписывайтесь на канал NeuroCore в Telegram.
Хотите заказать разработку для своего бизнеса? Пишите: r.fedorov@neuro-core.ru

Лошадиный вопрос, или как нас втянули в проект

Все началось пару лет назад. Один заказчик пришел к нам с заманчивым проектом. Задача была экзотическая, как прогулка на единороге: создать нейросеть, которая сможет различать лошадей по их фотографиям, чтобы понять, не смешались ли табуны.

Зачем? Ну, у лошадей в табунах есть жесткая иерархия. Обычно одним табуном "рулит" самый главный самец. Если табуны смешиваются, начинаются разборки между жеребцами, и вся эта "лошадиная иерархия" летит к чертям. Это стресс для всех, и заказчик хотел придумать способ предотвратить катастрофу.

Помочь могла только биометрия, но не человеческая. Распознавание лошади по её, что называется, морде. А теперь к главному: где вообще взять 10 000 уникальных лошадей?

Как мы искали цифровой табун

Для начала клиент попросил собрать 10 000 уникальных фотографий лошадей, по 10 на каждую. Звучит просто? В теории!

• Мы ринулись искать изображения на YouTube, TikTok, ВКонтакте, конных форумах и всевозможных уголках Интернета.

• Условие: на каждой морде лошади должны были быть видны пять ключевых точек (вроде глаз, ноздрей и рта). Ещё красивый прямоугольник морды в минимум 224 пикселя.

Через два месяца стало ясно: темп был черепашьим. Собрали 30 000 изображений с разных ресурсов, но уникальных лошадей среди них оказалось лишь 3 000. Мы были в шаге от провала, а на горизонте уже маячил дедлайн.

Итак, пора дружить с нейросетями!

"Когда сам не справляешься — позови помощника", — подумали мы. Сделали короткий перерыв, пересмотрели свой подход и решили автоматизировать процесс. Что мы придумали:

1. Обучили нейросеть. Она распознавала морду лошади в кадре и проверяла, есть ли там необходимые точки (глаза, ноздри, рот).

2. Для сбора фотографий придумали Telegram-бота, который принимал изображения, определял уникальных лошадей и складывал подходящие кадры в папочки.

А теперь главное: мы стали собирать больше данных за меньшее время. Если раньше наша скорость была 500 изображений в день, то после внедрения автоматизации она выросла до 5 384 изображений в день!

Результат: Новый подход спас дедлайн

Используя обновленный метод, мы собрали 70 000 изображений всего за 13 дней. В базе оказалось 7 000 уникальных лошадей — минимум по 10 снимков на каждую. И самое главное: все данные были идеального качества для обучения нейросети.

Что мы вынесли из этого проекта:

• Иногда решение проблемы лежит прямо перед вами. Нужно просто использовать уже известные инструменты с неожиданной стороны.

• Технологии реально спасают нервы, репутацию и даже жизни (в случае с табунами).

Дальше — только интереснее. Если у вас есть необычные задачки для нейронок, мы готовы всё обсудить. Оставляйте заявку на нашем сайте!