В статье описывается система автоматического определения дорожно-транспортных происшествий на основе совместного использования тепловых карт и нейросетевой детекции объектов. Детекция объектов на дорожных сценах, как правило, реализуется с использованием моделей YOLO, SSD и Faster R-CNN. Тепловые карты широко применяются в видеонаблюдении для визуализации плотности и динамики движения объектов. Совместное использование тепловых карт и нейросетевой детекции объектов повышает информативность анализа дорожных сцен и увеличивает долю корректно выявленных инцидентов. Разрабатываемая система базируется на комбинации детекции объектов, анализа активности в кадре и выделения аномальных областей на тепловой карте. Архитектура системы включает следующие функциональные блоки: источник видеопотока, модуль детекции объектов, модуль построения тепловой карты движения, модуль анализа аномалий и модуль сохранения видео. Источниками видеопотока могут выступать как RTSP-камеры, так и локальные видеозаписи с возможностью параллельной обработки нескольких потоков. В модуле детекции объектов для анализа дорожной сцены используется сверточная нейросетевая модель YOLO11n, обеспечивающая высокую скорость работы при приемлемой точности детекции в режиме реального времени. При построении тепловой карты формируется двумерная матрица, каждая ячейка которой отражает интенсивность пребывания транспортных средств в соответствующей области кадра. В модуле анализа аномалий производится выделение зон аномалий на тепловой карте. При обнаружении признаков аварии на тепловой карте срабатывает модуль сохранения видео. При этом система инициирует запись видеофрагмента продолжительностью до 5 минут. Запись завершается по истечении заданного времени или при исчезновении аномалии. Система реализована на языке программирования Python с использованием библиотек компьютерного зрения и нейросетевого анализа. Эксперименты показали, что производительность системы зависит от режима обработки видеокадров: при использовании только CPU достигается скорость обработки порядка 2-5 кадров в секунду для одного видеопотока, а при использовании GPU обеспечивается обработка в режиме, близком к реальному. Реализованный в системе подход позволяет корректно выделять аварийные ситуации при наличии длительного скопления транспорта, нарушении естественной динамики движения и остановке транспорта в нетипичных зонах. Предложенный подход может быть использован в системах «Умный город», транспортных мониторинговых центрах, а также при автоматизации диспетчерского контроля.