Разработка системы интеллектуального видеоанализа для обеспечения безопасности на железнодорожных переездах
В настоящей работе представлены результаты разработки программы на языке Python с использованием библиотеки алгоритмов OpenCV для обработки видео с помощью плотного оптического потока и тестом временного ограничения. На примере конкретной чрезвычайной ситуации на железнодорожном переезде рассчитан тормозной путь подвижного состава, выбран примерный временной интервал работы системы видеонаблюдения, который требует отработки и коррекции в реальных условиях. Описан план действий всей системы для предотвращения ДТП. Также были выявлены неточности работы алгоритма в обработке видео для дальнейшей работы.
Современная жизнь активно набирает скорость. Человечество стремится ускорить буквально всё. Многие процессы производств автоматизируются. В обиход активно входят онлайн-покупки: можно заниматься своими делами, пока другие люди соберут и доставят твои товары в любую точку на карте. Даже для упрощения и ускорения работы по дому разработан не один десяток приборов. Новый ритм жизни не позволяет потратить даже лишние десять минут на дорогу из пункта А в пункт В.
Если в рамках города каким-либо способом увеличить скорость передвижения достаточно сложно, то междугороднее сообщение начинает «набирать скорость». Добираться автомобилем из одной точки в другую становится не удобно. Например, в командировку человек отправляется не всегда после полноценного сна, а чаще по окончании долгого трудового дня. Самолёт – один из самых быстрых способов, однако не самый удобный. Долгий досмотр и регистрация на рейс значительно увеличивают временные затраты. Также портит впечатление высокая цена, ограничения на ручную кладь и багаж. А после полета этот самый багаж еще надо получить. Также чаще всего аэропорт находятся достаточно удаленных районах города или же в области, куда тоже необходимо добраться. В связи с чем стали набирать популярность высокоскоростные поезда.
На данный момент на территории России используются следующие поезда: «Сапсан», «Ласточка» и «Аллегро». Например, сапсан способен развивать скорость до 300 км/ч. К сожалению, на данный момент не везде железнодорожное полотно позволяет представленным поездам перевозить пассажиров с максимально возможной скоростью, но работы над этим вопросом активно ведутся, а также увеличивается количество самих скоростных поездов. Вместе с этим возрастает и количество ДТП.
Железнодорожные переезды одно из самых опасных мест. Помимо того, что по большей части они никак не оборудованы, люди не готовы к увеличению скорости поездов. Теперь, например, если автомобиль застрянет на железнодорожном переезде, нет смысла идти навстречу поезду. Машинист может не заметить или не успеть затормозить, ведь высокая скорость означает и большой тормозной путь. Однако, тут есть и другая опасность. В связи с высокой скоростью человека может затянуть под поезд, что тоже является не редким случаем.
Таким образом, можно сделать вывод, что помимо вопроса о скорости передвижения, необходимо обратить внимание на обеспечение безопасности, главным образом на железнодорожных переездах.
В результате выполнения выпускной квалификационной работы было наглядно продемонстрировано, что, несмотря на общую сложность работы в области предотвращения ДТП на железнодорожных переездах, данная задача решаема и заслуживает особого внимания и дальнейшей разработки. Данная проработка послужит основой для дальнейшего тестирования и разработки в рамках проекта РЖД по обеспечению безопасности.
Википедия URL:(дата обращения 10.03.21).
Официальный сайт от РЖД «Информационный дайджест» (дата обращения 11.03.21).
Условия эксплуатации железнодорожных переездов в Российской Федерации, утвержденных приказом Министерства транспорта РФ от 31.07.2015 г. №237.
“ИНСТРУКЦИЯ ПО ЭКСПЛУАТАЦИИ ЖЕЛЕЗНОДОРОЖНЫХ ПЕРЕЕЗДОВ МПС РОССИИ” (УТВ. МПС РФ 29.06.98 N ЦП-566).
Показатели состояния безопасности дорожного движения. Госавтоинспекция URL: (дата обращения 12.03.21).
Системы безопасности. Security and Safety URL: (дата обращения: 13.03.21).
А.В. Смольянинов, О.В. Черепов «Общий курс железнодорожного транспорта». Екатеринбург: Издательство УрГУПС, 2013 г.
Шапиро Л., Стокман Дж. Компьютерное зрение. М.: Бином. Лаборатория знаний, 2006. 752с.
S. Baker, D. Scharstein, J.P. Lewis, S. Roth, M.J. Black, R. Szeliski.: A Database and Evaluation Methodology for Optical Flow. International Journal of Computer Vision, 1–31 (2011).
Farneback, G.: Fast and Accurate Motion Estimation using Orientation Tensors and Parametric Motion Models. In: Proceedings of 15th International Conference on Pattern Recognition. Volume 1., Barcelona, Spain, IAPR (2000) 135–139.
S. Baker, D. Scharstein, J.P. Lewis, S. Roth, M.J. Black, R. Szeliski.: A Database and Evaluation Methodology for Optical Flow. International Journal of Computer Vision, 1–31 (2011).
Читать «Разработка системы интеллектуального видеоанализа для обеспечения безопасности на железнодорожных переездах»
Последние выполненные заказы
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
5 (91 отзыв)
4.6 (92 отзыва)
4.9 (343 отзыва)
4.8 (13 отзывов)
4.2 (6 отзывов)
4.6 (30 отзывов)
4.8 (211 отзывов)
5 (18 отзывов)
4.9 (5 отзывов)
