Разработка интеллектуальной системы видеоаналитики дорожного движения с использованием технологий компьютерного зрения, моделей YOLO, алгоритмов многoобъектного трекинга, Docker, Kafka, InfluxDB и Grafana

Содержание

Введение

Глава 1. Теоретические и методологические основы интеллектуальных систем анализа дорожного трафика

1.1. Анализ отечественных и зарубежных исследований в области интеллектуальных транспортных систем и компьютерного зрения

1.2. Анализ существующих систем мониторинга и видеоаналитики дорожного движения

1.3. Обоснование необходимости разработки собственной интеллектуальной системы анализа дорожного трафика

1.4. Анализ и выбор моделей детекции объектов и алгоритмов многoобъектного трекинга

1.5. Выбор инструментальных, программных и вычислительных средств разработки системы

Глава 2. Проектирование и разработка интеллектуальной системы анализа дорожного трафика

2.1. Проектирование архитектуры интеллектуальной системы анализа дорожного трафика

2.2. Разработка модулей детекции, трекинга и подсчёта транспортных средств

2.3. Разработка распределённой инфраструктуры обработки и передачи данных с использованием Docker, Kafka, InfluxDB и Grafana

2.4. Реализация механизмов визуализации, мониторинга и обработки статистики дорожного движения

2.5. Разработка системы анализа транспортных потоков для различных типов перекрёстков

Глава 3. Экспериментальное исследование и оценка эффективности разработанной системы

3.1. Методика экспериментального исследования и подготовка набора тестовых данных

3.2. Сравнительный анализ моделей YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 и YOLO26

3.3. Оценка качества детекции и трекинга на датасете UA-DETRAC

3.4. Исследование работы системы на перекрёстках различных типов (круговой, T-образный, X-образный и Y-образный)

3.5. Анализ статистических графиков транспортных потоков и интерпретация результатов мониторинга

3.6. Оценка производительности системы в режиме реального времени

Заключение

Список использованной литературы

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА

Разработка интеллектуальной системы видеоаналитики дорожного движения с использованием технологий компьютерного зрения, моделей YOLO, алгоритмов многообъектного трекинга, Docker, Kafka, InfluxDB и Grafana

ВВЕДЕНИЕ

Актуальность темы исследования обусловлена стремительным ростом автомобилизации в городах и необходимостью эффективного управления транспортными потоками для обеспечения безопасности дорожного движения и оптимизации загрузки дорожной инфраструктуры. Современные интеллектуальные транспортные системы (ИТС) становятся неотъемлемой частью концепции «умного города», где технологии компьютерного зрения и машинного обучения играют ключевую роль в автоматизации мониторинга дорожного трафика [12, c. 45]. Традиционные методы контроля, основанные на индуктивных петлях и радарах, не обеспечивают достаточной гибкости и информативности для анализа сложных дорожных ситуаций. Видеоаналитика предоставляет более широкие возможности для детектирования, классификации и трекинга транспортных средств в режиме реального времени.

Развитие глубокого обучения и сверточных нейронных сетей за последнее десятилетие открыло новые горизонты для решения задач компьютерного зрения. Семейство моделей YOLO (You Only Look Once) зарекомендовало себя как одно из наиболее эффективных решений для детекции объектов благодаря оптимальному соотношению скорости и точности [8, c. 112]. Однако применение этих моделей в контексте дорожного движения требует учета специфических особенностей: изменчивости освещения, окклюзий, разнообразия типов транспортных средств и сложности траекторий движения на перекрестках различной конфигурации. Алгоритмы многообъектного трекинга, такие как DeepSORT, ByteTrack и StrongSORT, позволяют поддерживать устойчивую идентификацию объектов на протяжении их движения в зоне видимости камеры [19, c. 78].

Современные требования к информационным системам диктуют необходимость использования распределенных архитектур, способных обрабатывать потоковые данные с множества источников. Технологии контейнеризации (Docker) обеспечивают переносимость и масштабируемость решений, а брокеры сообщений (Apache Kafka) позволяют организовать надежную передачу данных между компонентами системы [25, c. 134]. Временные базы данных, специализирующиеся на хранении метрик (InfluxDB), и системы визуализации (Grafana) создают основу для мониторинга и анализа статистических данных о транспортных потоках. Интеграция этих технологий в единую систему представляет собой сложную инженерную задачу, требующую глубокого понимания как алгоритмических аспектов компьютерного зрения, так и принципов проектирования распределенных информационных систем.

Степень изученности проблемы. Вопросы применения нейронных сетей для детекции транспортных средств активно исследуются в мировой научной литературе. Работы Redmon J., Bochkovskiy A., Wang C.-Y. заложили фундамент развития архитектуры YOLO [3, c. 22]. Отечественные исследователи также внесли значительный вклад в адаптацию методов компьютерного зрения для задач интеллектуальных транспортных систем. Однако большинство существующих решений фокусируются на отдельных аспектах проблемы – либо на повышении точности детекции, либо на оптимизации алгоритмов трекинга, не предлагая комплексного подхода к построению масштабируемой системы видеоаналитики с развитой инфраструктурой обработки и хранения данных [31, c. 167].

Цель выпускной квалификационной работы – разработка интеллектуальной системы видеоаналитики дорожного движения на основе современных технологий компьютерного зрения, моделей семейства YOLO, алгоритмов многообъектного трекинга и распределенной инфраструктуры обработки данных с использованием Docker, Kafka, InfluxDB и Grafana.

Для достижения поставленной цели необходимо решить следующие задачи:

• провести анализ существующих подходов к построению систем видеоаналитики дорожного движения и обосновать выбор методов детекции и трекинга объектов;
• спроектировать архитектуру интеллектуальной системы анализа дорожного трафика с распределенной инфраструктурой обработки данных;
• разработать программные модули детекции, трекинга и подсчета транспортных средств на базе моделей YOLO и алгоритмов многообъектного трекинга;
• провести экспериментальное исследование эффективности системы на тестовых данных и оценить ее производительность в различных условиях эксплуатации.

Объектом исследования являются процессы автоматизированного мониторинга и анализа дорожного движения с использованием технологий компьютерного зрения.

Предметом исследования выступают методы и инструменты проектирования интеллектуальных систем видеоаналитики на основе моделей глубокого обучения и распределенных архитектур обработки данных.

Методологическая база исследования включает теоретические основы компьютерного зрения, глубокого обучения, проектирования информационных систем и обработки потоковых данных. В работе применяются методы машинного обучения (сверточные нейронные сети, трансферное обучение), алгоритмы детекции объектов (семейство YOLO), методы многообъектного трекинга (фильтр Калмана, венгерский алгоритм, метрики схожести), принципы микросервисной архитектуры и контейнеризации приложений. Экспериментальные исследования проводятся на датасете UA-DETRAC и собственных видеоматериалах с различных типов перекрестков. В качестве инструментальных средств используются фреймворки PyTorch и Ultralytics для реализации моделей детекции, библиотеки OpenCV и SuperVision для обработки видеопотоков, Docker для контейнеризации, Apache Kafka для организации потоковой передачи данных, InfluxDB для хранения временных рядов и Grafana для визуализации метрик [14, c. 201].

Научная новизна исследования заключается в разработке комплексного подхода к построению масштабируемой системы видеоаналитики дорожного движения, интегрирующей современные модели компьютерного зрения с распределенной инфраструктурой обработки данных, а также в проведении сравнительного анали

…