ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ІНТЕЛЕКТУАЛЬНОГО АНАЛІЗУ ВІДЕОПОТОКУ ДОРОЖНЬОГО РУХУ НА ОСНОВІ EDGE-CLOUD АРХІТЕКТУРИ
DOI:
https://doi.org/10.35546/kntu2078-4481.2026.1.41Ключові слова:
інформаційна технологія, Edge-Cloud архітектура, комп’ютерний зір, детекція об’єктів, багатооб’єктний трекінг, виявлення аномалій, інтелектуальні транспортні системи, YOLOv8, ByteTrack, Jetson Orin Nano, TensorRTАнотація
У статті представлено розробку інформаційної технології інтелектуального аналізу відеопотоку дорожнього руху на основі гібридної Edge-Cloud архітектури. Технологія спрямована на забезпечення обробки даних у реальному часі, суттєве зменшення мережевого навантаження та підтримку автономної роботи периферійних пристроїв в умовах обмеженої пропускної здатності мереж. Запропоновано модульну структуру системи, що складається з чотирьох функціональних блоків: інтерфейс користувача, API-рівень, Edge-рівень та Cloud-рівень. Блоки взаємодіють через стандартизовані протоколи (REST, gRPC, MQTT, WebSocket), що забезпечує масштабованість, гнучкість та можливість незалежного розвитку компонентів. Edge-рівень виконує повний пайплайн обробки відеопотоку безпосередньо на пристрої NVIDIA Jetson Orin Nano: детекцію об’єктів модифікованою моделлю YOLOv8-nano з модулями C3Ghost-CBAM, багатооб’єктний трекінг удосконаленим методом ByteTrack+ та виявлення аномалій дорожнього руху. До хмарного рівня передаються лише компактні метадані (координати, ідентифікатори треків, типи аномалій, статистика), що усуває потребу в передачі великих обсягів відео. Розроблено UML-діаграми послідовності для етапів ініціалізації системи та безперервної обробки відеопотоку, а також діаграму діяльності процесу навчання моделі детекції. Програмна реалізація базується на сучасному стеку: Python 3.10+, PyTorch 2.1+, Ultralytics YOLOv8 з експортом у TensorRT (FP16/INT8), PostgreSQL з TimescaleDB, Redis для кешування та черг, FastAPI для REST/gRPC інтерфейсів, Docker для контейнеризації. Експериментальна оцінка підтвердила ефективність технології: економію мережевого трафіку на 98–99.8 % (з типових 4–6 Мбіт/с або ≈0,5–0,75 МБ/с на камеру при повному відеопотоці H.264 1080p@30fps до 8–15 КБ/с метаданих), швидкість обробки 55–75 FPS на Jetson Orin Nano з TensorRT та середнє значення MCC = 0,742 для виявлення аномалій. Архітектура забезпечує високу модульність, масштабованість та стійкість до збоїв: Edge-пристрій автономно функціонує при втраті з’єднання з Cloud, зберігаючи події в локальному буфері з подальшою синхронізацією. Розроблена технологія має перспективне застосування в інтелектуальних транспортних системах, моніторингу дорожньої безпеки розумних міст та сценаріях з обмеженим доступом до широкосмугових мереж.
Посилання
World Health Organization. Global status report on road safety 2023. Geneva : WHO, 2023. 81 p. ISBN 978-92-4-008651-7. URL: https://www.who.int/publications/i/item/9789240086517 (дата звернення: 09.02.2026).
Duong H.-T., Le V.-T., Hoang V. T. Deep learning-based anomaly detection in video surveillance: A survey // Sensors. 2023. Vol. 23, No. 11. Art. 5024. DOI: 10.3390/s23115024.
Human-Centric Anomaly Detection in Surveillance Videos Using YOLO-World and Spatio-Temporal Deep Learning [Електронний ресурс] / arXiv. 2025. URL: https://arxiv.org/abs/2510.22056 (дата звернення: 09.02.2026).
What are the challenges of AI image processing on edge devices? [Електронний ресурс] / Tencent Cloud. 2025. URL: https://www.tencentcloud.com/techpedia/125406 (дата звернення: 09.02.2026).
Advancing multi-object tracking through occlusion-awareness and trajectory optimization // Knowledge-Based Systems. 2025. Vol. 310. Art. 112930. DOI: 10.1016/j.knosys.2024.112930.
Романець В., Маслій Р. В. Виявлення аномалій у відеопотоці трафіку транспорту засобами комп’ютерного зору та глибинного навчання // Вісник Вінницького політехнічного інституту. 2025. Вип. 5. С. 146–155.
Pradeep Kumar P., Kant K. TU-DAT: A computer vision dataset on road traffic anomalies // Sensors. 2025. Vol. 25, No. 11. Art. 3259. DOI: 10.3390/s25113259. URL: https://www.mdpi.com/1424-8220/25/11/3259 (дата звернення: 09.02.2026).
Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: Unified, real-time object detection // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 779–788.
Jocher G., Chaurasia A., Qiu J. Ultralytics YOLOv8 [Електронний ресурс]. 2023. URL: https://github.com/ultralytics/ultralytics (дата звернення: 09.02.2026).
Романець В., Бісікало О. Виявлення об’єктів дорожнього руху з камер відеоспостереження // Вісник Хмельницького національного університету. Технічні науки. 2025. Т. 355, № 4. С. 491–497. DOI: 10.31891/2307-5732-2025-355-70
Zhang Y., Sun P., Jiang Y. et al. ByteTrack: Multi-object tracking by associating every detection box // Proceedings of the European Conference on Computer Vision (ECCV). 2022. P. 1–21. DOI: 10.1007/978-3-031-20047-2_1
Cao J., Weng X., Khirodkar R. et al. Observation-centric SORT: Rethinking SORT for robust multi-object tracking // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2023. P. 9686–9696.
Романець В., Бісікало О. Метод багатооб’єктного трекінгу з обробкою оклюзій для систем відеоспостереження // Вимірювальна та обчислювальна техніка в технологічних процесах. 2025. Т. 84, № 4. С. 440–445. DOI: 10.31891/2219-9365-2025-84-53
Chen J., Ran X. Deep learning with edge computing: A review // Proceedings of the IEEE. 2019. Vol. 107, No. 8. P. 1655–1674. DOI: 10.1109/JPROC.2019.2921977
Wang X., Han Y., Leung V. C. M., Niyato D., Yan X., Chen X. Convergence of edge computing and deep learning: A comprehensive survey // IEEE Communications Surveys & Tutorials. 2020. Vol. 22, No. 2. P. 869–904. DOI: 10.1109/COMST.2020.2970550
Lin Y., Lockyer S., Stanek F., Zarbock M., Evans A., Li W., Zhang N. SAE-MCVT: A Real-Time and Scalable Multi-Camera Vehicle Tracking Framework Powered by Edge Computing [Електронний ресурс] / arXiv. 2025. arXiv:2511.13904v1. URL: https://arxiv.org/pdf/2511.13904 (дата звернення: 09.02.2026).
Onsu M. A., Lohan P., Kantarci B., Syed A., Andrews M., Kennedy S. Semantic Edge–Cloud Communication for Real-Time Urban Traffic Surveillance with ViT and LLMs over Mobile Networks [Електронний ресурс] / arXiv. 2025. arXiv:2509.21259v1. URL: https://arxiv.org/pdf/2509.21259 (дата звернення: 09.02.2026).
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
