Анкета автора(ов)
| Фамилия, имя, отчество, учёная степень, звание, должность. Полное и сокращённое наименование организации, адрес организации. | Ванюшев Александр Александрович, инженер-программист, АО «СМП-Нефтегаз», г. Альметьевск, Российская Федерация. E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript , ORCID: 0009-0000-0091-0686 Мокшин Владимир Васильевич, кандидат технических наук, доцент, Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ, г. Казань, Российская Федерация E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript , ORCID: 0000-0002-7650-3419 Мавлиев Ленар Фидаесович, кандидат технических наук, доцент, Казанский государственный архитектурно-строительный университет,г. Казань, Российская Федерация E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript , ORCID: 0000-0001-6301-0941 |
| Название статьи. | Адаптивные сверточные нейронные сети в интеллектуальных транспортных системах |
| Аннотация. | Постановка задачи. В современных интеллектуальных транспортных системах видеонаблюдение один из ключевых инструментов для контроля дорожной обстановки, обнаружения аномалий, распознавания объектов и оптимизации движения. При разработке систем компьютерного зрения необходимость тщательного подбора архитектуры модели и параметров ее обучения для достижения высокой точности распознавания является актуальной задачей. Цель работы заключается в разработке подходов к повышению эффективности управления и безопасности дорожной инфраструктуры, используя большие данные и алгоритмы машинного обучения в интеллектуальных транспортных системах. Задачами исследования являются: анализ моделей обработки транспортных больших данных и установление их ограничений; оценка нейросетевых моделей объектного детектирования Faster R-CNN и YOLO; сравнительное тестирование различных модификаций моделей YOLO, обученных на едином наборе видеокадров городского трафика. Результаты. Проведено сравнительное тестирование моделей YOLO версий v8–v10 на реальном городском трафике с анализом влияния гиперпараметров и сенсорных конфигураций на точность и быстродействие. Полученные данные демонстрируют высокую эффективность предложенного подхода при умеренных вычислительных затратах. Настроенные модели YOLO показали значительное улучшение точности распознавания при сохранении обработки в режиме, близком к реальному времени. Подключение дополнительных источников данных позволяет повысить стабильность работы системы в сложных погодных и вечерних условиях. Выводы. Значимость результатов для инфраструктуры заключается в возможности внедрения масштабируемых решений интеллектуальных транспортных систем без переоборудования объектов дорожной сети. Интеграция YOLO-видеоналитики, краткосрочного прогнозирования и адаптивного управления формирует устойчивую и самонастраивающуюся транспортную инфраструктуру. Для дальнейшего развития интеллектуальных транспортных систем необходимо взаимодействие с картографическими сервисами и мобильными навигаторами, обеспечивающее двусторонний обмен данными и проактивное информирование участников дорожного движения. |
| Ключевые слова. | интеллектуальные транспортные системы, YOLO, машинное обучение, компьютерное зрение, большие данные, адаптивное управление, городская мобильность, геосервисы |
| First name, Middle name, Last name, Scientific degree, Scientific rank, Current position. Full and brief name of the organization, The organization address. | Alexander A. Vaniushev, Software Engineer, SMP-Neftegaz JSC, Almetyevsk, Russian Federation. E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript , ORCID: 0009-0000-0091-0686 Vladimir V. Mokshin, Candidate of Technical Sciences, Associate Professor, Department of Automated Information Processing and Control Systems, Kazan National Research Technical University named after A.N. Tupolev – KAI, Kazan, Russian Federation. E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript , ORCID: 0000-0002-7650-3419 Lenar F. Mavliev, Candidate of Technical Sciences, Associate Professor, Kazan State University of Architecture and Engineering, Kazan, Russian Federation. E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript , ORCID: 0000-0001-6301-0941 |
| Title of the article | Adaptive convolutional neural networks in intelligent transport systems |
| Abstract. | Problem statement. In modern intelligent transport systems, video surveillance is one of the key tools for monitoring the traffic situation, detecting anomalies, recognizing objects, and optimizing traffic. When developing computer vision systems, the need for careful selection of the model architecture and its learning parameters in order to achieve high recognition accuracy is an urgent task. The aim of the work is to develop approaches to improve the management efficiency and safety of road infrastructure using big data and machine learning algorithms in intelligent transport systems. The objectives of the study are: analysis of big transport data processing models and establishment of their limitations; evaluation of neural network models of Faster R-CNN and YOLO object detection; comparative testing of various modifications of YOLO models trained on a single set of video frames of urban traffic. Results. Comparative testing of YOLO models of v8–v10 versions on real urban traffic was carried out with an analysis of the influence of hyper parameters and sensor configurations on accuracy and performance. The data obtained demonstrate the high efficiency of the proposed approach with moderate computational costs. The customized YOLO models showed a significant improvement in recognition accuracy while maintaining near-real-time processing. Connecting additional data sources allows you to increase the stability of the system in difficult weather and evening conditions. Conclusions. The significance of the results for the infrastructure lies in the possibility of implementing scalable intelligent transport systems solutions without retrofitting the road network facilities. The integration of YOLO-video analytics, short-term forecasting and adaptive management forms a sustainable and self-adjusting transport infrastructure. For the further development of intelligent transport systems, it is necessary to interact with cartographic services and mobile navigators, providing two-way data exchange and proactive informing of road users. |
| Keywords. | intelligent transport systems, YOLO, machine learning, computer vision, big data, adaptive management, urban mobility, geo-services |
| Для цитирования: | Ванюшев А.А., Мокшин В.В., Мавлиев Л.Ф. Адаптивные сверточные нейронные сети в интеллектуальных транспортных системах // Известия КГАСУ, 2025, № 2(72), с. 277-290, DOI: 10.48612/NewsKSUAE/72.25, EDN: PMWDDV |
| For citations: | Vanyushev A.A., Mokshin V.V., Mavliev L.F. Adaptive convolutional neural networks in intelligent transport systems // News of KSUAE, 2025, № 2(72), p. 277-290, DOI: 10.48612/NewsKSUAE/72.25, EDN: PMWDDV |
