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).
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
5 (1241 отзыв)
4.9 (298 отзывов)
5 (174 отзыва)
4.8 (211 отзывов)
4.9 (66 отзывов)
4.9 (35 отзывов)
4.7 (46 отзывов)
4.2 (25 отзывов)
4.6 (71 отзыв)
