Українські науковці створили нейромережу для відстеження електросамокатів

У час стрімкого зростання популярності електросамокатів як міського транспорту постає важливе питання безпеки всіх учасників дорожнього руху. Науковці з Українського державного університету науки і технологій розробили інноваційну систему, здатну ефективно виявляти та відстежувати електросамокати у транспортному потоці міста.

Дослідницька група під керівництвом доцента Катерини Островської та магістра Едгара Петросяна створила нейромережеву модель на основі архітектури YOLOv7, яка демонструє високу точність у розпізнаванні електросамокатів у реальному часі.

Система складається з трьох ключових компонентів: backbone — відповідає за початкову обробку даних та вилучення ознак із зображень, neck — забезпечує об'єднання отриманих карт ознак, та head — представлений повнозв'язковою нейронною мережею з трьох шарів.

Для навчання моделі дослідники використали масштабний набір даних IUPUI-CSRC E-Scooter Rider, що містить понад 21 тисячу зображень — як водіїв електросамокатів, так і інших учасників руху. Додатково використовувався спеціалізований набір даних Occluded E-Scooter Rider Detection Dataset, що містить зображення частково загороджених електросамокатів.

Особливістю розробленої системи є використання алгоритму Deep SORT для відстеження об'єктів у часі. Цей алгоритм є вдосконаленою версією Simple Online and Realtime Tracking (SORT) та використовує фільтр Калмана для прогнозування положення об'єкта на основі його швидкості, позиції та прискорення.

Навчання нейронної мережі проводилося на хмарній платформі Google Colaborator з використанням GPU Nvidia Tesla T4. Дослідники розділили набір даних з 3600 зображень на три частини: навчальну (2520 зображень), валідаційну (720 зображень) і тестову (360 зображень) у співвідношенні 70/20/10. Процес навчання тривав 3 години протягом 50 епох.

Найкращі результати продемонструвала модель YOLOv7-w6, досягнувши вражаючих показників: середня точність (mAP) склала 84,03%, повнота (recall) — 88,89%, а точність (precision) — 81,26%. Ці метрики підтверджують високу ефективність розробленої системи у реальних умовах міського руху.

Для практичного застосування розробки науковці створили веб-додаток з використанням Python та TypeScript. Серверна частина реалізована на фреймворку FastAPI, а клієнтська — на Nest.js. Додаток надає зручний інтерфейс для завантаження зображень або відео та отримання результатів детектування й відстеження електросамокатів.

Дослідники відзначають кілька напрямків для подальшого вдосконалення системи: розширення навчального набору даних, збільшення різноманітності даних, додаткове навчання нейромережевої моделі, оптимізація топології моделі та налаштування параметрів для досягнення ще кращих результатів.

Розроблена система має значний потенціал для підвищення безпеки міського руху. Вона може бути інтегрована в системи відеоспостереження та моніторингу транспортних потоків, допомагаючи контролювати дотримання правил руху електросамокатів та запобігати потенційно небезпечним ситуаціям.

Результати дослідження опубліковані в науковому журналі «Системні технології» та демонструють високий рівень української науки в галузі штучного інтелекту та комп'ютерного зору. Робота є важливим кроком у розвитку інтелектуальних систем управління міським рухом та підвищення безпеки на дорогах України.