llmcase.ru
🚛
Как транспортная компания в 30 раз сократила проверку видео с камер водителей
Doubletapp внедрил для Termotech систему компьютерного зрения, которая сама находит нарушения на записях с кабинных камер — оператор проверяет только флагованные кадры, а не всю плёнку.
×30
сокращение трудозатрат на проверку видео с камер
40 000
размеченных изображений в обучающем датасете
100%
кадров проходят автоматический анализ вместо ручного просмотра
Коротко о кейсе
Транспортная компания Termotech вручную просматривала все записи с кабинных камер, чтобы найти нарушения водителей — это было медленно и с ошибками. Интегратор Doubletapp обучил модель компьютерного зрения (YOLOv3, TensorFlow/Keras) на 40 000 размеченных изображений, которая сама находит телефон в руках водителя, неправильный угол камеры и её поломки, и передаёт оператору только подозрительные кадры. В результате трудозатраты на проверку сократились в 30 раз, а дисциплина водителей заметно выросла.
Проблема
Операторы вручную просматривали все записи с кабинных камер каждого автомобиля — это отнимало много времени.
Ручная проверка была подвержена человеческим ошибкам: нарушения пропускали.
Нужно было отдельно отслеживать три типа проблем: телефон в руках водителя за рулём, неправильный угол установки камеры и её поломки.
Решение
Doubletapp построил систему компьютерного зрения на Python/Django с ML-стеком Keras, TensorFlow, TensorFlow-Serving и YOLOv3.
Модель обучили на датасете из 40 000 размеченных изображений с кабинных камер.
Фото с камер поступают в систему через API, анализируются нейросетью и получают статус — нарушение отмечается флагом.
Оператору на проверку попадают только флагованные (подозрительные) кадры, а не весь массив записей.
Результаты
×30
падение трудозатрат на проверку записей
Только флагованные кадры
вместо просмотра всей отснятой плёнки
Дисциплина водителей
заметно выросла после внедрения контроля
Хотите так же?
Автоматизируйте логистика с помощью AI
Оставьте заявку — проведём аудит ваших продаж и покажем, где вы теряете деньги