Партнеры намерены адаптировать алгоритмы видеоаналитики под реальные условия транспорта — вагоны, автомобили, люди, оборудование и аномалии — с учетом грязи, погоды, нестандартных ракурсов и меняющегося освещения. Распознавание будет работать поверх существующих систем видеонаблюдения без вмешательства в инженерную сеть объекта.
По оценкам экспертов, рынок видеоаналитики растет двузначными темпами — около 19,5% в год до 2030 года; транспортно‑логистическая сфера — один из главных драйверов спроса. Исследования показывают, что компьютерное зрение уже используется в более чем 70% российских проектов с ИИ и занимает заметную долю инвестиций.
Ключевая задача — добиться стабильной точности в условиях, где традиционные модели теряют эффективность: ночные смены, сильный дождь, пыльные платформы и редкие углы обзора камер. Для этого применяется дообучение на локальных данных клиента и внедрение эвристик, уменьшающих ложные срабатывания.
«Сегодня клиенты ждут измеримого производственного эффекта. Мы выстроили инженерный подход, в котором компьютерное зрение становится частью промышленной инфраструктуры и инструментом управления процессами», — отметил Михаил Книгин, заместитель гендиректора Т1 по программно‑аппаратным решениям.
Наша цель — не лабораторный прототип, а продукт, работающий в реальных условиях
Евгений Волков
Практические выгоды для транспорта включают:
-
снижение числа аварий и инцидентов за счет раннего обнаружения аномалий;
-
ускорение пропускных операций и учета подвижного состава;
-
автоматизацию контроля доступа и охраны периметра;
-
экономию на ручном мониторинге и уменьшение нагрузки на операционные центры.
Технические и организационные риски остаются стандартными для проектов такого масштаба: качество исходных видеопотоков, защищенность каналов передачи, правила хранения и обработки персональных данных, а также интеграция с существующей ИТ‑ландшафтом клиента. Компании заявляют, что учтут эти моменты при серийных внедрениях.
Проект рассчитан на крупные инфраструктурные объекты — терминалы, депо, узловые станции и логистические хабы — где требование к надежности и минимизации ошибок распознавания особенно высоки. Успех пилота позволит расширить решение на другие отрасли и масштабировать его в рамках цифровых экосистем клиентов.
Источник: hi-tech.mail.ru