Решения команд-финалистов

Хакатон по треку “Умные города”, Анапа 13-15 мая 2022

  1. Команда «FTM»

No-code решение на основании обучаемой нейросети, которая также работает на технологиях no-code. Платформа базируется на работе с задачами и участками дороги – не отделяя идейно дефекты дорожного полотна от самого полотна. 

Модульное решение позволяет легко изменять логику платформы, а подробный вариант постановки задач позволяет упростить работу пользователям – функционал скачивания дефектного акта в ПДФ, отслеживание процесса, составление отчетности и т.д. 

  1. Команда «CRAFSED»

Мы разработали систему состоящую из нейронной сети распознающей дорожные дефекты и  дорожные знаки. Предполагается, что нейронная сеть будет работать на разработанном встраиваемом устройстве, состоящем из одноплатного компьютера khadas vim3 pro, видеокамеры,  GPS модуля, аккумуляторов и модуля связи. Данное устройство в автоматическом режиме производит обработку данных и обработанные пакеты отправляет на сервер, далее данные находящиеся на сервере могут быть получены через веб сайт, на котором находится карта города с метками распознанных дефектов, так же на сервисе доступен архив данных которые уже утратили свою актуальность.

Нейронная сеть была обучена на собственном датасете, собранном из открытых данных, обучение производилось на платформе Google Colab во время хакатона)

Технологический стек: Python, Darknet framework, Django REST API, Figma, FritiZing, Google Colab.

  1. Команда «РУКИ ВВЕРХ»

Система, состоящая из двух подсистем: подсистема регистрации недостатков городской инфраструктуры и подсистема контроля выполнения задач по обслуживанию объектов инфраструктуры с возможностью определения проблем в обслуживании и ремонте объектов городской инфраструктуры и контроля за ходом выполнения необходимых работ. 

Технологический стек: HTML, CSS, JavaSсript, Python, Flask, U-Net

  1. Команда «WILDZON»

Мобильная станция с ИИ и акселератором для контроля данных. 

Приложения с формой регистрации – где работник получает актуальную информацию о дорожном полотне и полную картину состояния, всё это обрабатывает ИИ, в ходе работы контролируется акселератором (По смещению Х, У, Z как тип контрольных данных). Далее вносит корректировки на карту, и структурирует. Приложение имеет дополнительные функции.

Технологический стек: Sys, numpy as np, cv2, math, PIL import Image, matplotlib.pop as plt, Yandex/Google.colab import drive, te sorflow, keras, PyTorch, Python,Swift, Kotlin, Java.

  1. Команда «IT sphere»

Telegram bot — оболочка для нашей нейронной сети, которая позволяет найти повреждения дорожного покрытия по фото или кадру из видео. 

Мы отправляем фото в чат с ботом, далее оно попадает на сервер, для анализа нейронной сетью, после чего возвращает результат в чат. Таким образом можно убедиться в работоспособности данной нейронной сети.

Технологический стек: golang, mysql, roboflow.

  1. Команда «GG»

Наш чат бот является интерфейсом для работы оператора по сортировке заданий по уборке мусора. Наша система умеет распознавать состояние мусорных урн, собирать статистику по заполнению мусорных баков и частоте уборки. 

Технологический стек: python,opencv,pillow,mongodb,nodejs,telegraf.he, wade ai. 

  1. Команда «Two Face»

Мобильное приложение позволяет администрации и службам вывоза мусора оперативно реагировать на появляющиеся инциденты для соблюдении чистого города, которые возникают в виде постов созданных из ip-камер. Концепция умный город позволяет автоматизировать процесс наблюдения за чистотой города (каждый гражданин может сделать фото грязной улицы с указанием местоположения) и собирать данные для создания предиктивной аналитики в будущем. А граждане, которые мусорят в городе будут засняты камерами для улучшения ситуации в городе. Создание анализа в  самом приложении об обстановки и чистоты города.

Технологический стек: Html, Css, React, Python, Django REST API, Selenium, Yolov5, OpenCV, BeautifulSoup.”

  1. Команда «ЕБЦ Море»

Web сервис который работает на основе нейронных сетей.

Решение:  

– карты для визуализации загрязнённых зон в городе; 

– список событий с возможностью отфильтровать инциденты; 

– карточка события, в которой можно просмотреть видео и детали прошедшего; инцидента.

Возможности: 

– аналитика (дашборды) для управленческих решений; 

– распознавание людей и в отдельности жкх сотрудников;

– предективная аналитика (предсказание заполняемости урн);

– подключение авторегистраторов и квадрокоптеров;

– подключение всех административных структур для решения других задач (поломка деревьев, потушили фонари, ямки на дорогах).

Технологический стек: Yolo, streamlit, numpy, pundas, sqlite3, cv2, python, docker

  1. Команда «Вектор времени»

Веб-приложение для оператора ТКО. С помощью технологий компьютерного зрения и машинного обучения следит за состоянием городских урн и контейнеров. Записывает статистику уборок, хранит данные о состоянии урн в течение года и больше. Повышает эффективность работы ТКО, помогает поддерживать город в чистоте и следит за исполнением обязанностей.

Стек: react, python(fastapi, yolov5)

  1.  Команда «Red hot chili peppers»

Алгоритм цветовой обработки мусора. Система ищет не объекты, а цветовое загрязнение в 180 цветовых спектрах HSV по пиксельно. Почему именно так? Мусор разной формы и мусор нынче цветной. Данный алгоритм выводит степень загрязнения и там, где стоит приехать и убрать. За процессом уборки можно следить. У нас есть интерфейс в виде умного ассистента Алисы и интерфейса под ПК.

Технологический стек: python, OpenCV, tkinker, Яндекс навыки (яндекс алиса)

  1.  Команда «Softlex»

Клиент-серверное приложение, которое с помощью машинного зрения просматривает записи с камер видеонаблюдения и автоматически определяет замусоренные места города. Собранные данные структурируются, записываются в базу данных и выводятся в виде веб-приложения.

Технологический стек: Python, TensorFlow, PHP, Laravel, PostgreSQL, Yandex Cloud, Bubble.io.

  1.  Команда «Delta x»

Web-сервис  анализа данных, построенный на микросервисной архитектуре, позволяющий получать данные с камер видеонаблюдения любого типа.

Сервис способен фиксировать наполняемость мусорных контейнеров, собирать статистику. 

Архитектура проекта предусматривает возможность масштабирования и выполнения функций прогнозирования наполняемости контейнеров в %, оповещения о возникновении локальных свалок, создания оптимальных маршрутов проезда, тем самым снижая издержки на обслуживание сети контейнеров для сбора ТБО.

Предусмотрено 12 модулей расширения:

Чистый город:

– Анализ заполненности мусорных баков;

– Мертвые животные;

Безопасный город:

– Уличное насилие, драки;

– Нарушение ПДД;

– ДТП;

– Возникновение очагов возгорания;

– Стаи бездомных собак;

– Потерявшиеся домашние животные;

– Упавшие люди;

Комфортный город:

– Поиск парковочных мест;

– Анализ пешеходного трафика и скопления людей;

– Выход из строя уличного освещения.

Технологический стек: Docker, Laravel, PostgreSQL, Redis, Express, Reactjs, Flask, Keras

  1.  Команда «QubanTech»

Веб-приложение для мониторинга выброса и вывоза мусора, позволяющее оперативно отслеживать состояние объектов (мусорные баки, урны, итд) по данным с камер видеонаблюдения, получать подробную аналитику по ключевым показателям, формировать отчёты, прогнозировать появление проблем. Для детектирования объектов система использует нейросетевую модель YOLOv5, с помощью которой проводится сегментация изображений, что позволяет в дальнейшем автоматически классифицировать и оперативно отслеживать события. Кроме того упор сделан на то, чтобы помогать администрации принимать управленческие решения и сокращать трудозатраты на отчётность, делая её при этом максимально репрезентативной. Также сервис позволяет не потерять обратную связь с гражданами, предоставляя возможность оставить жалобы и предложения. 

Сервис разворачивается в облаке Yandex Cloud.

Технологический стек: 

ML: YOLOv5, PyTorch with CUDA Toolkit, Pandas, Wandb, cv2

Frontend: TypeScript, React, Recoil, Mantine

Backend: TypeScript, NestJs

DevTools: SwaggerUI

DB: Managed PostgreSQL (Yandex Cloud)

Storage: Object Storage (Yandex Cloud)

Deployment: Docker, Compute Cloud (Yandex Cloud)

< Вернуться ко всем новостям