Розробка системи моніторингу парковки через відеоаналітику

Втрата часу на пошук місця та низька оборотність — типовий біль, який вирішує система моніторингу парковки на базі відеоаналітики. Ультразвукові датчики вимагають установки на кожне місце і часто виходять з ладу. Ми використовуємо комп'ютерний зір: одна камера покриває до 50 машиномісць, точність визначення зайнятості — 99%. Система працює цілодобово — ІЧ-підсвітка та low-light enhancement, модель навчена на нічних кадрах, що зберігає точність до 97% у темряві. Досвід — 5+ років, 30+ впроваджених проектів. Гарантуємо стабільну роботу та надаємо безкоштовний пілот на одній камері для демонстрації точності. Замовте оцінку вашого проекту — наші інженери зв'яжуться з вами протягом дня.

Проблеми, які вирішує відеоаналітика парковки

Відвідувачі витрачають 10–20 хвилин на пошук вільного місця, що знижує лояльність і пропускну здатність. Відеоаналітика в реальному часі показує кількість вільних місць на кожному поверсі, спрямовуючи водія до найближчого. Ультразвукові та магнітні датчики виходять з ладу раз на 2–3 роки, потребують заміни та калібрування. Камери служать 5–7 років, оновлення ПЗ відбувається віддалено. Відеоаналітика фіксує номери автомобілів, час в'їзду/виїзду, повторні візити — ці дані дозволяють оптимізувати тарифи та планувати завантаження.

Відеоаналітика vs ультразвукові датчики: порівняння

Відеоаналітика не тільки дешевша, але й дає більше даних: номери автомобілів, швидкість руху, час перебування. Це дозволяє оптимізувати роботу парковки та збільшити дохід. Витрати на обслуговування скорочуються до 80% порівняно з ультразвуковими датчиками. > Ultralytics: YOLOv8 демонструє високу точність детекції на різних сценах.

Забезпечення точності визначення зайнятості 99%

Використовуємо алгоритми комп'ютерного зору на базі YOLOv8 (детекція автомобілів) та бібліотеки Ultralytics. Модель навчена на 50 000 розмічених кадрах, включаючи нічні, дощові та снігові сцени. У продакшені застосовуємо постобробку: перевірка центра об'єкта та overlap bounding box з полігоном місця. Фільтр за часом (автомобіль стоїть більше 5 секунд) виключає хибні спрацьовування від проїжджаючих машин. Інференс виконується на NVIDIA GPU з TensorRT, p99 latency не перевищує 150 ms на кадр.

from ultralytics import YOLO import numpy as np import cv2 import json class ParkingMonitor: def __init__(self, model_path: str, parking_config_path: str): self.detector = YOLO(model_path) # детекція автомобілів self.parking_spaces = self._load_parking_config(parking_config_path) def _load_parking_config(self, config_path: str) -> list[dict]: """Завантаження конфігурації машиномісць (полігони зон)""" with open(config_path) as f: config = json.load(f) spaces = [] for space in config['spaces']: spaces.append({ 'id': space['id'], 'polygon': np.array(space['polygon'], dtype=np.int32), 'zone': space.get('zone', 'default') }) return spaces def analyze(self, frame: np.ndarray) -> dict: """Визначення зайнятості всіх машиномісць""" detections = self.detector(frame, conf=0.4, classes=[2, 5, 7]) # car, bus, truck # Визначаємо центри виявлених ТЗ vehicle_centers = [] for box in detections[0].boxes.xyxy: x1, y1, x2, y2 = map(int, box) cx, cy = (x1 + x2) // 2, (y1 + y2) // 2 vehicle_centers.append((cx, cy)) # Перевіряємо кожне машиномісце occupied_spaces = [] free_spaces = [] for space in self.parking_spaces: occupied = self._is_space_occupied(space['polygon'], vehicle_centers, detections[0].boxes.xyxy) space_status = { 'id': space['id'], 'zone': space['zone'], 'occupied': occupied } if occupied: occupied_spaces.append(space_status) else: free_spaces.append(space_status) return { 'total_spaces': len(self.parking_spaces), 'occupied': len(occupied_spaces), 'free': len(free_spaces), 'occupancy_rate': len(occupied_spaces) / max(len(self.parking_spaces), 1), 'spaces': occupied_spaces + free_spaces } def _is_space_occupied(self, polygon: np.ndarray, vehicle_centers: list, vehicle_boxes: list) -> bool: """Перевірка: чи є транспортний засіб на машиномісці""" # Метод 1: центр ТЗ всередині полігону for cx, cy in vehicle_centers: result = cv2.pointPolygonTest(polygon, (float(cx), float(cy)), False) if result >= 0: return True # Метод 2: overlap bounding box з полігоном > 40% space_mask = np.zeros((720, 1280), dtype=np.uint8) cv2.fillPoly(space_mask, [polygon], 255) space_area = cv2.contourArea(polygon) for box in vehicle_boxes: x1, y1, x2, y2 = map(int, box) vehicle_mask = np.zeros_like(space_mask) cv2.rectangle(vehicle_mask, (x1, y1), (x2, y2), 255, -1) intersection = cv2.bitwise_and(space_mask, vehicle_mask) overlap = intersection.sum() / 255 if overlap / space_area > 0.4: return True return False 

Розмітка машиномісць

Первинна розмітка зон машиномісць виконується один раз через веб-інтерфейс. Розмітка займає близько 2 годин на типову парковку.

class ParkingSpaceLabeler: """Інтерактивна розмітка машиномісць на кадрі""" def __init__(self, image_path: str): self.image = cv2.imread(image_path) self.spaces = [] self.current_polygon = [] def interactive_label(self): """Запуск інтерактивної розмітки (для ручного використання)""" cv2.namedWindow('Label Parking Spaces') cv2.setMouseCallback('Label Parking Spaces', self._on_click) while True: display = self.image.copy() for space in self.spaces: cv2.polylines(display, [space['polygon']], True, (0, 255, 0), 2) if self.current_polygon: cv2.polylines(display, [np.array(self.current_polygon)], False, (0, 0, 255), 2) cv2.imshow('Label Parking Spaces', display) key = cv2.waitKey(1) if key == ord('s') and len(self.current_polygon) >= 4: self.spaces.append({ 'id': f'space_{len(self.spaces)+1}', 'polygon': self.current_polygon.copy() }) self.current_polygon = [] elif key == ord('q'): break return self.spaces 

Інтеграція з системою навігації

Які можливості відкриває інтеграція з навігацією?

Наше рішення легко вбудовується в існуючу інфраструктуру:

• Digital signage: екрани з картою парковки, оновлення в реальному часі.
• Мобільний додаток: бронювання місць, навігація до вільного місця.
• Розумні світлофори: зелений/червоний індикатор над кожним рядом.
• ANPR інтеграція: автоматичний в'їзд/виїзд за номером, розрахунок вартості.

Чи можна налаштувати автоматичний в'їзд/виїзд?

Ми надаємо API для інтеграції з будь-якими системами. Дані передаються у форматі JSON через WebSocket або REST. Детальніше про YOLO — алгоритм детекції, що лежить в основі.

Етапи впровадження

1. Аудит парковки — виїзд інженера, оцінка планування, вимог до точності.
2. Проектування — вибір камер, розрахунок кутів огляду, підготовка специфікації.
3. Установка та налаштування — монтаж камер, навчання моделі на кадрах вашої парковки.
4. Інтеграція — підключення до навігації, мобільного додатку, систем контролю доступу.
5. Тестування — перевірка точності (A/B тест з реальними даними), стрес-тест.
6. Деплой та супровід — запуск в експлуатацію, SLA 99.9%, віддалений моніторинг.

Що входить в роботу

Ми здаємо проект під ключ:

• Налаштована система відеоаналітики з точністю 99%.
• Вихідний код моделей і конфігурацій.
• REST API та документація.
• Веб-інтерфейс для перегляду статистики та управління.
• Навчання персоналу (2 години).
• Гарантія на обладнання та ПЗ — 12 місяців.

Терміни та вартість

Вартість розраховується індивідуально після аудиту. Ми пропонуємо безкоштовний пілот на одній камері для демонстрації точності. Замовте оцінку проекту — наші інженери зв'яжуться з вами протягом дня. Отримайте консультацію: зв'яжіться з нами для обговорення вашого завдання.