EUVIMEDEUVIMED entdecken
Crossref

Разработка метода идентификации транспортного средства

М.С. Горский, М.С. Мосева

Информационные и математические технологии в науке и управлении · 05.06.2026 · (2(42)) · 55-69

DOI: 10.25729/esi.2026.42.2.005 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Информационные и математические технологии в науке и управлении, erschienen am 05.06.2026. Verfasst von М.С. Горский und 1 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Целью статьи является описание разработки и обучения модели, способной классифицировать автомобили по маркам и моделям на основе изображений, а также интерфейса для удобного взаимодействия с моделью. Новизна работы подтверждается использованием современных методов идентификации транспортных средств для их тонкой классификации. В статье представлены три раздела, каждый из которых охватывает ключевые аспекты исследования. В рамках первого раздела выполнен анализ предметной области, в котором рассмотрены существующие методы идентификации транспортных средств, включая технологии на основе лидарных данных, а также методы, использующие изображения и видео. Особое внимание уделено анализу современных подходов к классификации транспортных средств по маркам, моделям и другим атрибутам. Этот анализ позволил выявить сильные и слабые стороны различных подходов и обосновать выбор архитектур глубокого обучения для дальнейшего исследования. Во втором разделе описан собранный набор данных с детальной маркировкой по маркам и моделям, использованный для исследования. Проведено сравнение трех моделей машинного обучения по различным метрикам, таким, как точность, полнота, f1-мера. В результате анализа была выбрана модель, которая продемонстрировала наилучшие результаты в задачах классификации транспортных средств. Так же была проведена количественная оценка детектора, используемого в дальнейшем, которая подтвердила эффективность выбранной модели. Третий раздел описывает практическую часть работы, в которой были проведены аугментация и дополнение набора данных. После дообучения модели на улучшенных данных была выполнена интеграция классификатора с детектором YOLOv11. Реализован веб-интерфейс, который обеспечивает удобное взаимодействие с системой, позволяя загружать видео, просматривать результаты детекции и классификации в реальном времени, а также анализировать статистические данные. Тестирование системы на реальных данных видеонаблюдения подтвердило эффективность подхода, хотя и выявило необходимость дальнейшей оптимизации для сложных ракурсов и условий освещенности. This paper aims to describe the development and training of a model capable of classifying vehicles by make and model based on images, as well as an interface for convenient interaction with the model. The novelty of the work is demonstrated by the use of modern vehicle identification methods for fine-grained classification. The paper is divided into three sections, each covering key aspects of the research. The first section provides a domain analysis, reviewing existing vehicle identification methods, including lidar-based technologies, as well as methods using images and videos. Particular attention is paid to the analysis of modern approaches to classifying vehicles by make, model, and other attributes. This analysis allowed us to identify the strengths and weaknesses of various approaches and justify the choice of deep learning architectures for further research. The second section describes the collected dataset with detailed labeling by make and model used for the study. Three machine learning models are compared using various metrics, such as precision, recall, and f1-score. As a result of the analysis, the model that demonstrated the best results for vehicle classification tasks was selected. A quantitative evaluation of the detector used subsequently was also conducted, confirming the effectiveness of the selected model. The third section describes the practical part of the study, which involved augmenting and expanding the dataset. After further training the model on the improved data, the classifier was integrated with the YOLOv11 detector. A web interface was implemented that provides convenient interaction with the system, allowing users to upload videos, view detection and classification results in real time, and analyze statistical data. Testing the system on real-world video surveillance data confirmed the effectiveness of the approach, although it revealed the need for further optimization for complex camera angles and lighting conditions.

Zitieren

APA

Горский, М., & Мосева, М. (2026). Разработка метода идентификации транспортного средства. Информационные и математические технологии в науке и управлении, 55-69. https://doi.org/10.25729/esi.2026.42.2.005

Vancouver

Горский М, Мосева М. Разработка метода идентификации транспортного средства. Информационные и математические технологии в науке и управлении. 2026:55-69. doi:10.25729/esi.2026.42.2.005

BibTeX
@article{2026,
  author = {Горский, М.С. and Мосева, М.С.},
  title = {Разработка метода идентификации транспортного средства},
  journal = {Информационные и математические технологии в науке и управлении},
  year = {2026},
  number = {2(42)},
  pages = {55--69},
  doi = {10.25729/esi.2026.42.2.005}
}
Kostenlos starten →