 |
Ученые Пермского Политеха создали технологию для бесперебойной видеопередачи в условиях плохого интернета
По данным на 2025 год в России установлено более 1,2 миллиона камер видеонаблюдения. Многие из них функционируют на базе машинного зрения, то есть умеют распознавать нетипичные происшествия и передавать в пункт управления для оперативного реагирования. Так работают, к примеру, камеры видеонаблюдения в палатах интенсивной терапии. Удаленный мониторинг позволяет постоянно отслеживать жизненные показатели и состояние больных. Однако ключевой проблемой остается низкая надежность такой видеопередачи в условиях нестабильной связи. Из-за зависания изображения или потери качества специалисты могут пропустить признаки ухудшения здоровья пациента или состояние поддерживающего аппарата. Ученые Пермского Политеха разработали новый метод передачи видео, который позволяет системам машинного зрения стабильно работать даже при прерывающемся и медленном интернет-соединении. Методика показала эффективность на 28–32% выше по сравнению с существующими решениями.
Статья опубликована в журнале «Вестник ПНИПУ. Электротехника, информационные технологии, системы управления». Исследование проведено в рамках программы стратегического академического лидерства «Приоритет-2030».
На сегодняшний день рынок систем машинного зрения занимает около 25%, включая приоритетные отрасли экономики – промышленность, здравоохранение, энергетика, транспорт и логистика. В основном такие технологии используются в «умных» камерах наблюдения, на улицах, в больницах, метро, на заводах, а также могут быть встроены в квадракоптерах и промышленных роботах наподобие тех, которых можно было увидеть в сети «Лента».
Работа комплекса машинного зрения заключается в следующем: камера записывает видео и сжимает его, чтобы уменьшить размер для передачи данных. Затем эта информация отправляется по сети небольшими частями (пакетами) на сервер или устройство просмотра, где происходит распаковка и превращение обратно в видео. Если интернет плохой, пакеты теряются или задерживаются, а видео зависает, пропускает кадры или превращается в размытое пиксельное изображение. Особенно часто это происходит в удаленных и труднодоступных регионах со слабым покрытием сотовой связи и при использовании беспроводных сетей, где сигнал нестабилен из-за помех, расстояния или перегрузок сети. Также – если объект с машинным зрением находится в движении, например, при передаче видео с квадракоптеров или камер на транспорте.
Такие помехи могут обернуться серьезной проблемой. Например, уличные системы, которые анализируют видео с камер и помогают раскрывать преступления, отслеживать ДТП, при сбое могут не узнать лица преступников в толпе или номер угнанной машины. А в палатах интенсивной терапии при возникновении таких помех на видеозаписи можно упустить момент, когда пациент упал с кровати или перестал дышать, что чревато несвоевременным оказанием помощи.
Для борьбы с перебоями при передаче видео существуют специальные алгоритмы сжатия. Они уменьшают объем данных, сохраняя только изменения между кадрами. Например, если в объектив попадает автомобиль, который едет на неподвижном фоне, система запоминает бэкграунд один раз, а затем фиксирует лишь смещение объекта. Такие методы сокращают размер передаваемых данных, однако требуют больших вычислительных ресурсов. Поэтому они непригодны для маломощных систем, которые обычно встроены в камеры наблюдения, автономных роботов или датчики.
Ученые Пермского Политеха нашли решение этой проблемы и создали новый программный алгоритм на основе нейронной сети, который обеспечивает видеопередачу без перебоев. Его можно встроить в прошивку камер видеонаблюдения, систему управления или программное обеспечение для роботов.
– Наш алгоритм работает в три шага. Сначала программа с помощью искусственного интеллекта определяет, какой объект на видео самый важный (область интереса – ROI) и определяет его границы. Затем упаковывает эти данные с помощью современного формата сжатия – JPEG 2000. Он похож на обычный JPEG, в котором мы сохраняем картинки из интернета, но превосходит его по качеству. В процессе съемки наша система оценивает текущую скорость интернета и рассчитывает, сколько данных можно успеть передать за время показа одного кадра. Если скорость низкая, данные кадра отправляются не целиком, а только частично. Поскольку нейросеть уже определила, какой участок нужно передать, в первую очередь уходят данные о нужных объектах, даже при плохом соединении, – комментирует Андрей Кокоулин, доцент кафедры «Автоматика и телемеханика» ПНИПУ, кандидат технических наук.
Для проверки эффективности ученые искусственно создали ситуацию, когда из-за плохой связи передается только 10-20% видео. В ходе испытаний новая методика показала превосходство над аналогами: ключевые объекты, такие как лица или номера машин, передавались на 54–81% четче, чем в обычных системах, при этом потребляя на 40–45% меньше интернет-трафика. Общая эффективность метода на 28-32% выше традиционных решений.
Важно, что разработка ученых ПНИПУ не требует больших вычислительных мощностей и позволяет стабильно передавать изображение в условиях нестабильного интернета. Это обеспечит надежную работу камер, квадрокоптеров, промышленных роботов даже при нестабильном интернете. Это также будет полезно для систем видеонаблюдения в МЧС, геологоразведки или сельского хозяйства, где часто бывают проблемы со связью. Внедрение этой технологии позволит повысить отказоустойчивость и расширить географию применения систем компьютерного зрения, сделав передовые технологии более доступными и надежными.
Контактное лицо: Слюсарь Полина Алексеевна (написать письмо автору)
Компания: ПНИПУ (все новости этой организации)
Добавлен: 16:10, 05.09.2025
Количество просмотров: 440
Страна: Россия
| Ученый ПНИПУ рассказал о приближающемся июньском звездопаде, ПНИПУ, 06:56, 29.06.2026, Россия |
36 |
| В ночь с 27 на 28 июня люди увидят Июньские Боотиды. Метеоры этого потока втрое медленнее Персеид и оставляют на небе яркие оранжево-желтые линии. Ученый ПНИПУ рассказал, почему гравитация Юпитера «сбивает» комету-прародительницу с курса, как астрономы научились прогнозировать звездопад и как увидеть максимум падающих звезд. |
|
|
|
