Реферат по теме выпускной работы

Содержание

Введение
1. Актуальность темы
2. Цель и задачи исследования
3. Анализ существующих решений
4. Техническая реализация системы умного парка с внедренным ИИ
4.1 Использование IoT и облачных технологий
4.2 Программная часть: реализация моделей искусственного интеллекта для управления парком
4.3 Техническая реализация взаимодействия с искусственным интеллектом
Выводы
Список источников

Введение

Современное развитие городской инфраструктуры всё больше связано с внедрением цифровых технологий, направленных на повышение эффективности управления, комфорта жителей и рационального использования ресурсов. Одним из перспективных направлений в этой области является создание «умных» городских парков — интегрированных экосистем, где технологии искусственного интеллекта (ИИ) и Интернета вещей (IoT) становятся основой для автоматизации ключевых процессов [2, 10, 12].

1. Актуальность темы

Актуальность данной темы обусловлена растущими требованиями к безопасности, экологической устойчивости и экономической эффективности содержания общественных зеленых зон [13, 16]. Интеллектуальные системы позволяют перейти от реактивного к прогнозному управлению, облегчая такие задачи, как полив растений, мониторинг состояния территории, анализ посещаемости и обеспечение безопасности [17, 20].

2. Цель и задачи исследования, планируемые результаты

Целью исследования является анализ возможностей и разработка концептуальных решений по внедрению технологий искусственного интеллекта и Интернета вещей в инфраструктуру городских парков для создания интеллектуальной системы управления [18, 19].

Основные задачи работы:

- провести анализ существующих мировых практик и технологических решений в области «умных» парков [8, 16];

- определить ключевые направления применения ИИ и IoT в парковых зонах [3, 11];

- разработать архитектуру и описать техническую реализацию системы умного парка [4, 6];

- создать прототипы алгоритмов на основе машинного обучения для решения конкретных задач управления (безопасность, полив) [21, 24].

Планируемым результатом является структурированное описание системы умного парка, включая анализ компонентов, принципы их взаимодействия и примеры программной реализации базовых функций с использованием ИИ [14, 15].

3. Анализ существующих решений

В последние годы ряд городов мира успешно внедрили технологии ИИ в парковых зонах [1]. Например, в Сингапуре, известном своими «умными» решениями, в парках установлены камеры с компьютерным зрением, которые анализируют поток посетителей и выявляют подозрительную активность. Это позволяет оперативно реагировать на потенциальные угрозы и улучшить работу служб безопасности [9, 10]. Фотография камеры видеонаблюдения с иискусственным интеллектом, размещенной в городском парке представлена на рисунке 1.

Рисунок 1 – Камера видеонаблюдения с искусственным интеллектом

Компьютерное зрение и системы видеонаблюдения используются для анализа поведения посетителей [23]. Камеры, использующие искусственный интеллект для распознавания лиц и подсчета людей, помогают оценивать загруженность парка в реальном времени. Это особенно важно в условиях массовых мероприятий, когда необходимо контролировать допустимое количество людей на территории. Кроме того, системы видеонаблюдения могут быть направлены на борьбу с вандализмом и преступлениями, оповещая органы охраны о злоумышленниках [24].

Другой пример — парк Барселоны, где используются датчики влажности почвы и погодные станции, подключенные к ИИ-алгоритмам [16]. Пример такого датчика показан на рисунке 2.

Рисунок 2 – Датчик влажности почвы для систем автоматического полива растений

Система автоматически регулирует полив зеленых насаждений, снижая расход воды и предотвращая переувлажнение. Подобные решения также применяются в Нью-Йорке, где умные системы полива помогают экономить до 30% воды [1, 8]. На рисунке 3 показана работа автоматической системы полива растений в умном парке.

Рисунок 3 – Система автоматического полива растений в умном парке

Одним из ключевых направлений является видеонаблюдение с использованием нейросетевых алгоритмов [23, 24]. Камеры с функцией распознавания лиц и объектов позволяют не только обеспечивать безопасность, но и собирать статистику о посещаемости парка, анализировать маршруты движения людей и выявлять зоны с наибольшей нагрузкой. На рисунке 4 представлена работа камеры видеонаблюдения с алгоритмом распознавания людей и объектов.

Рисунок 4 – Распознавание людей камерой с нейросетевым алгоритмом

Еще одно важное применение — анализ данных с метеостанций и датчиков окружающей среды [7]. ИИ-алгоритмы обрабатывают информацию о температуре, влажности, осадках и состоянии почвы, принимая решения о необходимости полива или включении дренажных систем. Это особенно актуально в условиях изменчивого климата, когда ручное управление оказывается недостаточно эффективным [11].

4. Техническая реализация системы умного парка с внедренным ИИ

4.1 Использование IoT и облачных технологий

Для построения умного парка необходимо развертывание сети IoT-устройств, включая датчики температуры, влажности, камеры видеонаблюдения и контроллеры управления поливом. Эти устройства передают данные в централизованную систему, где они обрабатываются с помощью различных алгоритмов машинного обучения [3, 7].

Облачные платформы, такие как AWS IoT или Google Cloud IoT, позволяют масштабировать систему и обеспечивают удаленный мониторинг. Данные с датчиков могут обрабатываться и визуализироваться в режиме реального времени на центральном устройстве управления, представляющего персональный компьютер, что дает администрации парка возможность оперативно реагировать на изменения [14, 15].

4.2 Программная часть: реализация моделей искусственного интеллекта для управления парком

Управляющий алгоритм может быть реализован на языке программирования Python с использованием библиотек для машинного обучения, таких как TensorFlow, OpenCV (для обработки видео) и scikit-learn (для анализа данных) [21, 24, 25]. Например, система автоматического полива может работать на основе решающих деревьев или нейронных сетей, прогнозирующих оптимальное время и интенсивность полива [22].

Ниже представлен код реализации прототипа нейронной сети для распознавания человека на фотографии:

import os
import numpy as np
import tensorflow as tf
from tensorflow.keras import layers, models, Input
from tensorflow.keras.models import Model
from tensorflow.keras.preprocessing.image import load_img, img_to_array
from sklearn.model_selection import train_test_split
from tensorflow.keras.callbacks import EarlyStopping

# Конфигурация
IMAGE_SIZE = (256, 256)
BATCH_SIZE = 32
EPOCHS = 30
DATA_DIR = "renders"
COORDS_FILE = "coordinates.txt"

# Загрузка данных
def load_data(data_dir, coords_file):
    with open(coords_file, 'r') as f:
        lines = f.readlines()
    output_coords = []
    for line in lines:
        parts = line.strip().replace(',', '.').split()
        # Берем первые три значения как выходные координаты
        output_coords.append([float(part) for part in parts[:3]])

    # Загрузка цветных изображений
    image_files = sorted([f for f in os.listdir(data_dir) if f.endswith('.png')])
    images = []
    for img_file in image_files:
        # Загрузка цветного изображения (RGB)
        img_path = os.path.join(data_dir, img_file)
        img = load_img(img_path, color_mode='rgb', target_size=IMAGE_SIZE)
        img_array = img_to_array(img) / 255.0  # Нормализация к [0, 1]
        images.append(img_array)
    return np.array(images), np.array(output_coords)

# Загрузка данных
images, output_coords = load_data(DATA_DIR, COORDS_FILE)

# Разделение на тренировочный и тестовый наборы
X_train_img, X_test_img, y_train, y_test = train_test_split(
    images, output_coords, test_size=0.2, random_state=42
)
def create_model(image_shape):
    image_input = Input(shape=image_shape, name='image_input')

    # Обработка изображения
    x = layers.Conv2D(32, (3, 3), activation='relu')(image_input)
    x = layers.MaxPooling2D((2, 2))(x)
    x = layers.Conv2D(64, (3, 3), activation='relu')(x)
    x = layers.MaxPooling2D((2, 2))(x)
    x = layers.Conv2D(128, (3, 3), activation='relu')(x)
    x = layers.MaxPooling2D((2, 2))(x)
    x = layers.Conv2D(256, (3, 3), activation='relu')(x)
    x = layers.MaxPooling2D((2, 2))(x)
    x = layers.Conv2D(512, (3, 3), activation='relu')(x)
    x = layers.MaxPooling2D((2, 2))(x)
    x = layers.Conv2D(1024, (3, 3), activation='relu')(x)
    x = layers.MaxPooling2D((2, 2))(x)
    x = layers.Flatten()(x)

    # Полносвязные слои
    x = layers.Dense(512, activation='relu')(x)
    x = layers.Dropout(0.5)(x)
    x = layers.Dense(256, activation='relu')(x)
    x = layers.Dropout(0.5)(x)
    x = layers.Dense(128, activation='relu')(x)
    output = layers.Dense(3)(x)
    model = Model(inputs=image_input, outputs=output)
    model.compile(
        optimizer='adam',
        loss='mse',
        metrics=['mae']
    )
    return model
# Создание модели
image_shape = (IMAGE_SIZE[0], IMAGE_SIZE[1], 3)
model = create_model(image_shape)
early_stopping = EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True)
# Обучение
history = model.fit(
    X_train_img, y_train,
    validation_data=(X_test_img, y_test),
    batch_size=BATCH_SIZE,
    epochs=EPOCHS,
    callbacks=[early_stopping],
    verbose=1
)
sample_image = X_train_img[0:1]
prediction = model.predict(sample_image)
print("True:", y_train[0])
print("Predicted:", prediction[0])
model.save('coordinates_predictor.h5')
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
with open('model.tflite', 'wb') as f:
    f.write(tflite_model)
test_loss, test_mae = model.evaluate(X_test_img, y_test, verbose=0)
print(f"Test Loss: {test_loss:.4f}")
print(f"Test MAE: {test_mae:.4f}")
def predict_coordinates(image_path, model):
    img = load_img(image_path, color_mode='rgb', target_size=IMAGE_SIZE)
    img_array = img_to_array(img) / 255.0
    img_array = np.expand_dims(img_array, axis=0)

    # Предсказание
    prediction = model.predict(img_array)
    return prediction[0]
predicted = predict_coordinates("currentRender.png", model)
print("Predicted coordinates:", predicted)

В представленном коде используется библиотека Tensorflow для работы с нейронными сетями [21]. Для создания модели нужно подготовить выборку из фотографий пространства с людьми в кадре и текстового файла, где заранее определены координаты человека на изображении. Эта выборка разделяется на тренировочные и тестовые данные и на их основе происходит обучение и проверка качества нейросети [22, 23]. В процессе обучения в консоли выводятся метрики модели, которые отображают, насколько точно нейросеть предсказывает положение человека на изображении. Процесс обучения представлен на рисунке 5.

Рисунок 5 – Процесс обучения нейросети

Полученную модель можно экспортировать или использовать в этом же коде, предсказывая координаты человека на изображении. В дальнейшем ее можно использовать для обработки изображений с камер видеонаблюдения умного парка, чтобы контролировать посещение, а также в качестве части системы безопасности, фиксирующей нарушение правил парка [24]. Например, если посетитель попытается навредить растению, специально обученная нейросеть зафиксирует это и передаст сигнал администратору и охране парка. Пример работы готовой модели представлен на рисунке 6. Алгоритм определяет на изображении координаты и размер прямоугольника, в котором находится человек. Для удобства прямоугольник был визуализирован.

Рисунок 6 – Результат работы алгоритма распознавания человека на изображении

Для автоматизации ухода за растениями могут быть использованы более простые модели искусственного интеллекта [24, 25]. Например, модель дерева решений может считывать данные из метеостанций, датчиков влажности земли, температуры воздуха и на их основе формировать план полива растений для автоматических систем [22]. Прототип кода для создания оптимального графика полива растений представлен ниже.

import pandas as pd
import numpy as np
from sklearn.tree import DecisionTreeClassifier, export_text
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt

# Генерация случайных данных для проверочного обучения
np.random.seed(42)
n_samples = 1000
data = {
    'temperature': np.random.randint(10, 35, n_samples),
    'air_humidity': np.random.randint(20, 95, n_samples),
    'hours_since_watering': np.random.randint(1, 72, n_samples),
    'season': np.random.randint(0, 4, n_samples),
    'soil_moisture': np.random.randint(5, 60, n_samples)
}

# Правила для определения необходимости полива (вместо реальных данных)
def need_watering(row):
    if row['soil_moisture'] < 20:
        return 1
    if row['season'] == 2 and row['temperature'] > 25 and row['soil_moisture'] < 40:
        return 1
    if row['hours_since_watering'] > 48 and row['soil_moisture'] < 30:
        return 1
    return 0
data['needs_watering'] = pd.DataFrame(data).apply(need_watering, axis=1)
df = pd.DataFrame(data)

# Признаки и целевая переменная
X = df.drop('needs_watering', axis=1)
y = df['needs_watering']

# Разделение выборки на обучающую и тестовую
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Создание и обучение модели
model = DecisionTreeClassifier(max_depth=5, random_state=42)
model.fit(X_train, y_train)

# Оценка модели
y_pred = model.predict(X_test)
print(f"Accuracy: {accuracy_score(y_test, y_pred):.2f}")

# Вывод пракил дерева
tree_rules = export_text(model, feature_names=list(X.columns))
print("Decision Tree Rules:")
print(tree_rules)

# Функция для формирования графика полива на неделю
def generate_watering_schedule(model, initial_conditions):
    schedule = []
    current_conditions = initial_conditions.copy()
     # Предскказание необходимости полива на неделю
    for day in range(7):
        needs_watering = model.predict([current_conditions])[0]

        schedule.append({
            'day': day,
            'temperature': current_conditions[0],
            'soil_moisture': current_conditions[4],
            'water': 'Yes' if needs_watering else 'No'
        })
        # Обновление условий для следующего дня
        if needs_watering:
            current_conditions[2] = 0
            current_conditions[4] = min(50, current_conditions[4] + 25)
        else:
            current_conditions[2] += 24
            current_conditions[4] = max(5, current_conditions[4] - np.random.randint(1, 5))
        # Изменение параметров
        current_conditions[0] += np.random.randint(-2, 3)
        current_conditions[1] += np.random.randint(-5, 6)
        current_conditions[1] = np.clip(current_conditions[1], 20, 95)
        current_conditions[0] = np.clip(current_conditions[0], 10, 35)
    return pd.DataFrame(schedule)

# Создание примера
initial_conditions = [25, 50, 24, 2, 30]

schedule = generate_watering_schedule(model, initial_conditions)

# Визуализация графика полива
plt.figure(figsize=(10, 5))
plt.bar(schedule['day'], schedule['soil_moisture'], color='blue', alpha=0.5, label='Soil Moisture (%)')
plt.scatter(schedule[schedule['water'] == 'Yes']['day'],
            schedule[schedule['water'] == 'Yes']['soil_moisture'],
            color='red', s=100, label='Watering Day')
plt.xlabel('Day')
plt.ylabel('Soil Moisture (%)')
plt.title('Weekly Watering Schedule')
plt.legend()
plt.grid(True)
plt.show()
# Вывод таблицы графика
print("\nWeekly Watering Schedule:")
print(schedule[['day', 'water', 'soil_moisture', 'temperature']])

В представленном коде создаются случайные данные, которые заменяют информацию из датчиков [7].

Температура (в градусах Цельсия);
Влажность воздуха (в процентах);
Время последнего полива (в часах);
Время года (0-зима, 1-весна, 2-лето, 3-осень);
Влажность почвы (в процентах).

Целевым признаком является конечное решение, нужен ли полив. Программа создает модель дерева решения и обучает ее на тренировочной выборке [25]. Выводится оценка качества обучения и график полива, составленный на примере входных данных. Полученную модель можно использовать в центральном компьютере умного городского парка, предварительно обучив ее на реальных данных, чтобы повысить точность предсказания [21, 22]. Алгоритм будет составлять оптимальный график полива растений на основе ключевых факторов, определяемых датчиками. Полученный график можно в дальнейшем использовать для передачи сигналов системе автоматического полива, что полностью автоматизирует процесс ухода за растениями [1].

4.3 Техническая реализация взаимодействия с искусственным интеллектом

Для интеграции всех компонентов может использоваться микроконтроллер (например, микроконтроллеры Arduino), который собирает данные с датчиков и камер и передает их на сервер [4, 5, 6]. На стороне главного управляющего компьютера будет производиться обработка полученных данных с помощью моделей искусственного интеллекта. Затем на устройства системы умного парка возвращаются сигналы, активирующие различные механизмы.

Такой подход позволит сэкономить на покупке дорогих устройств (таких, как Rasberry pi) для обработки сложной информации с использованием искусственного интеллекта. Микроконтроллер Arduino в данной системе нужен лишь для сбора, систематизации и передачи информации с датчиков [5, 6]. Сами вычисления же производятся на единственном центральном компьютере. Это значительно сокращает затраты на оборудование. Arduino предоставляет целый ряд недорогих устройств, подходящих для выполнения поставленной задачи. Примеры устройств для выполнения поставленной задачи представлены на рисунке 7.

Рисунок 7 – Виды микроконтроллеров Arduino

Одним из ключевых преимуществ разработки собственной системы умного парка на базе микроконтроллеров, распределенных датчиков и камер с последующей обработкой данных на центральном компьютере является гибкость и масштабируемость архитектуры [4, 17]. В отличие от готовых коммерческих решений, данная разработка позволяет адаптировать систему под конкретные требования парка, будь то особенности ландшафта, климатические условия или специфические задачи безопасности [9, 18].

Выводы

Внедрение искусственного интеллекта в систему умного городского парка открывает широкие возможности для автоматизации управления, повышения безопасности и оптимизации ресурсов [13, 20]. Реальные примеры из Сингапура, Барселоны и Нью-Йорка демонстрируют эффективность таких решений [1, 8, 16].

Техническая реализация на базе технологий интернета вещей позволяет создавать гибкие и масштабируемые системы, способные адаптироваться к различным условиям [3, 7]. Внедрение камер с распознаванием объектов, автоматизированных систем полива и подобных решений позволяет оптимизировать управление парками, снижая затраты и улучшая качество обслуживания [2, 10, 11].

Абаров Михаил Витальевич

Факультет интеллектуальных систем и программирования

Кафедра компьютерной инженерии

Направление: 09.04.01 «Информатика и вычислительная техника»

Профиль «Программное обеспечение средств вычислительной техники»

Тема выпускной квалификационной работы магистра «Разработка системы ‹умный городской парк›»

Руководитель ВКР: к.т.н. доц. каф. КИ Мальчева Раиса Викторовна