The object of research, development or design (in Russian) : Автоматизированная система обнаружения и классификации дорожных повреждений в режиме реального времени, основанная на использовании технологий компьютерного зрения и методов глубокого обучения, включая свёрточные нейронные сети (CNN), Mask R-CNN и механизмы внимания, для повышения безопасности дорожного движения и качества дорожной инфраструктуры.

The object of research, development or design (in Kazakh) : Жол қозғалысы қауіпсіздігін арттыру және жол инфрақұрылымының сапасын жақсарту мақсатында компьютерлік көру технологиялары мен терең оқыту әдістерін, соның ішінде свёрточтық нейрондық желілер (CNN), Mask R-CNN және назар механизмдерін қолдануға негізделген нақты уақыт режимінде жолдың зақымдануын анықтау және жіктеу бойынша автоматтандырылған жүйе.

Aim of work (in Russian) : Цель проекта — создать интегрированную, эффективную и автоматизированную систему для обнаружения и классификации дорожных повреждений в реальном времени, используя технологии компьютерного зрения и глубокого обучения, способную повысить безопасность и качество дорожного покрытия.

Aim of work (in Kazakh) : Жобаның мақсаты-жол жамылғысының қауіпсіздігі мен сапасын арттыруға қабілетті компьютерлік көру және терең оқыту технологияларын пайдалана отырып, нақты уақыттағы жол зақымдануларын анықтау және жіктеу үшін біріктірілген, тиімді және автоматтандырылған жүйені құру.

Методы исследования (на русском) : В рамках проекта используются современные методы компьютерного зрения и глубокого обучения, включая свёрточные нейронные сети (CNN), Mask R-CNN и механизмы внимания, для анализа изображений дорожных повреждений. На начальном этапе проводится сбор и аннотация данных, включающая классификацию различных типов дефектов. Для повышения точности применяются методы предварительной обработки данных, такие как нормализация и аугментация. Эффективность моделей оценивается с использованием метрик Precision, Recall и F1-score, а также через полевые испытания в реальных условиях. Дополнительно проводится исследование абляции, направленное на выявление ключевых факторов, влияющих на производительность системы. Интеграция внимания позволяет улучшить фокусировку модели на поврежденных участках, что способствует более точной классификации и сегментации.

Методы исследования (на казахском) : Жоба аясында жол жабынының зақымдануын талдау үшін компьютерлік көру және терең оқыту әдістері, соның ішінде свёрточтық нейрондық желілер (CNN), Mask R-CNN және назар механизмдері қолданылады. Алғашқы кезеңде деректерді жинау және аннотациялау, соның ішінде әртүрлі ақаулар түрлерін жіктеу жүргізіледі. Дәлдікті арттыру үшін деректерді алдын ала өңдеу әдістері, мысалы, нормализация және деректерді аугментациялау қолданылады. Модельдердің тиімділігі Precision, Recall және F1-score метрикаларын пайдалану арқылы, сондай-ақ нақты жағдайларда далалық сынақтар арқылы бағаланады. Сонымен қатар, жүйенің өнімділігіне әсер ететін негізгі факторларды анықтауға бағытталған абляция зерттеулері жүргізіледі. Назар механизмдерін интеграциялау модельдің зақымданған учаскелерге шоғырлануын жақсартады, бұл жіктеу мен сегментацияның дәлдігін арттыруға ықпал етеді.

Obtained results and novelty (in Russian) : 1. Сбор и аннотация данных: - Создан обширный датасет, включающий изображения различных типов дорожных повреждений, разделённых на восемь основных классов (линейные трещины, выбоины, стирание разметки и др.). - Проведена детальная аннотация данных, что позволило обеспечить высокую точность обучения моделей глубокого обучения. 2. Разработка моделей глубокого обучения - Разработаны и протестированы свёрточные нейронные сети (CNN), Mask R-CNN и RetinaNet для обнаружения, классификации и сегментации дорожных повреждений. - Интеграция механизмов внимания улучшила фокусировку моделей на ключевых областях изображений, повысив точность сегментации. Научная новизна: - Проект представляет собой уникальное сочетание методов глубокого обучения и компьютерного зрения, таких как CNN, Mask R-CNN и механизмы внимания, для комплексного анализа дорожных повреждений (обнаружение, классификация и сегментация).

Obtained results and novelty (in Kazakh) : 1. Деректерді жинау және аннотациялау: - Әртүрлі жол зақымдануларының суреттерін қамтитын, сегіз негізгі классқа бөлінген (сызықтық жарықшақтар, шұңқырлар, жол таңбаларының өшуі және т.б.) кең ауқымды деректер жиынтығы құрылды. - Деректерге егжей-тегжейлі аннотация жүргізілді, бұл терең оқыту модельдерін оқытудың жоғары дәлдігін қамтамасыз етуге мүмкіндік берді. - Терең оқыту модельдерін әзірлеу: Жол зақымдануларын анықтау, жіктеу және сегментациялау үшін свёрточтық нейрондық желілер (CNN), Mask R-CNN және RetinaNet әзірленіп, сынақтан өткізілді. Назар механизмдерін интеграциялау модельдердің суреттердің маңызды аймақтарына шоғырлануын жақсартты, бұл сегментацияның дәлдігін арттырды. Ғылыми жаңалық: - Жоба терең оқыту және компьютерлік көру әдістерінің, соның ішінде CNN, Mask R-CNN және назар механизмдерінің, жол зақымдануларын кешенді талдау үшін (анықтау, жіктеу және сегментациялау) бірегей үйлесімін ұсынады.

The main constructive and technical economic indicators (in Russian) : 1. Технические характеристики системы: - Разрешение анализа: обработка изображений с разрешением до 4K для точного выявления дефектов. - Скорость обработки данных: до 30 кадров в секунду для реального времени. - Алгоритмы: использование современных моделей глубокого обучения (CNN, Mask R-CNN, RetinaNet) для высокой точности. - Интеграция механизмов внимания для улучшенной сегментации. 2. Экономические показатели: - Снижение затрат на ремонт дорожного покрытия за счёт раннего выявления дефектов. - Уменьшение времени на диагностику состояния дорог на 40–50%. - Снижение эксплуатационных расходов за счёт автоматизации процессов.

The main constructive and technical economic indicators (in Kazakh) : Жүйенің техникалық сипаттамалары: - Талдау ажыратымдылығы: ақауларды дәл анықтау үшін 4K ажыратымдылығына дейінгі суреттерді өңдеу. - Деректерді өңдеу жылдамдығы: нақты уақыт режимінде 30 кадр/секундқа дейін. - Алгоритмдер: жоғары дәлдікке қол жеткізу үшін заманауи терең оқыту модельдерін (CNN, Mask R-CNN, RetinaNet) қолдану. - Сегментацияны жақсарту үшін назар механизмдерін интеграциялау. 2. Экономикалық көрсеткіштер: - Ақауларды ерте анықтау арқылы жол жабынын жөндеуге кететін шығындарды азайту. - Жол жағдайын диагностикалауға кететін уақытты 40–50%-ға қысқарту. Процестерді автоматтандыру арқылы пайдалану шығындарын азайту.

Level of implementation (in Russian) : Не внедрено

Level of implementation (in Kazakh) : Енгізілген жоқ

Efficiency (in Russian) : Разработанная система демонстрирует высокую техническую и экономическую эффективность, обеспечивая точное обнаружение дорожных дефектов и их классификацию. Реализация системы позволяет значительно сократить время диагностики состояния дорог и уменьшить затраты на ремонт благодаря раннему выявлению повреждений. Автоматизация процессов способствует снижению эксплуатационных расходов, а возможность работы в различных климатических условиях и высокая производительность делают систему практичным и универсальным инструментом для управления дорожной инфраструктурой.

Efficiency (in Kazakh) : Әзірленген жүйе жоғары техникалық және экономикалық тиімділікті көрсетіп, жолдағы ақауларды дәл анықтап және оларды жіктеуді қамтамасыз етеді. Жүйені іске асыру жол жағдайын диагностикалауға кететін уақытты едәуір қысқартып, ақауларды ерте анықтау арқылы жөндеу шығындарын азайтуға мүмкіндік береді. Процестерді автоматтандыру пайдалану шығындарын төмендетуге ықпал етеді, ал әртүрлі климаттық жағдайларда жұмыс істеу мүмкіндігі мен жоғары өнімділік жүйені жол инфрақұрылымын басқаруға арналған практикалық және әмбебап құралға айналдырады.

Field of application (in Russian) : Разработанная система предназначена для применения в дорожной инфраструктуре, включая управление, мониторинг и обслуживание дорог в городских и сельских районах. Она может использоваться государственными и частными организациями для диагностики состояния дорожного покрытия, планирования и приоритизации ремонтных работ, а также для повышения безопасности дорожного движения. Система также актуальна для транспортных и логистических компаний, где требуется оперативный анализ состояния маршрутов. Кроме того, она может быть интегрирована в интеллектуальные транспортные системы, обеспечивая автоматизированный сбор и обработку данных для оптимизации управления дорожной сетью.

Field of application (in Kazakh) : Әзірленген жүйе жол инфрақұрылымын басқару, мониторинг және қызмет көрсету салаларында, соның ішінде қалалық және ауылдық аймақтарда пайдалануға арналған. Жүйе жол жабынының жай-күйін диагностикалау, жөндеу жұмыстарын жоспарлау және басымдық беру, сондай-ақ жол қозғалысының қауіпсіздігін арттыру үшін мемлекеттік және жеке ұйымдармен қолданылады. Сондай-ақ, бұл жүйе маршруттардың жағдайын жедел талдау қажет болатын көлік және логистика компаниялары үшін маңызды. Сонымен қатар, оны интеллектуалды көлік жүйелеріне біріктіруге болады, бұл жол желісін басқаруды оңтайландыру үшін деректерді автоматтандырылған түрде жинау және өңдеуді қамтамасыз етеді.