Herald of Technological University Herald of Technological University ВЕСТНИК ТЕХНОЛОГИЧЕСКОГО УНИВЕРСИТЕТА 3034-4689 98555 10.55421/1998-7072_2025_28_2_61 3. Информатика, вычислительная техника и управление 3. Information teory, computer technology and control 3. Информатика, вычислительная техника и управление ROAD INFRASTRUCTURE OBJECT RECOGNITION SOFTWARE PACKAGE МОБИЛЬНОЕ ПРИЛОЖЕНИЕ ДЛЯ РАСПОЗНАВАНИЯ ОБЪЕКТОВ ДОРОЖНОЙ ИНФРАСТРУКТУРЫ Хусаинов Р М Хусаинов Р М r_khusainov@mail.ru Казанский национальный исследовательский технический университет им. А.Н. Туполева Kazan National Research Technical University named after A.N. Tupolev 01 08 2025 01 08 2025 28 2 61 65 https://elibrary.ru/item.asp?id=80352561

В статье рассматривается задача распознавания объектов дорожной инфраструктуры с использованием разработанного мобильного приложения. Обоснована необходимость использования нейросетевых моделей YOLOv8 для решения данной задачи. При реализации мобильного приложения выбран язык программирования Kotlin, среда разработки Android Studio 2024.2.1. Разработка мобильного приложения «Ассистент водителя» проводилась на ноутбуке с процессором Intel Pentium CPU 3825U с частотой 1.9 ГГц, оперативной памятью 8 Гб, под управлением 64-разрядной операционной системы Windows 10 Pro. Основными компонентами мобильного приложения являются модуль камеры, модуль выбора моделей и экспериментально-исследовательский модуль. Модуль камеры включает разрешение на проведение фото- или видеосъемки. Модуль выбора моделей включает обученные нейросетевые модели YOLOv8 ( YOLOv8n, YOLOv8l, YOLOv8m, YOLOv8s, YOLOv8x ). Экспериментально-исследовательский модуль включает распознавание объектов в режиме реального времени, получение результата ее оценки вероятности. Главное окно мобильного приложения включает следующие вкладки: «выбор модификации модели YOLOv8», «время обработки» (содержит время распознавания объекта в миллисекундах); «порог уверенности» (задается значение от 0 до 1 для уверенности модели в том, что объект определенного класса присутствует в данной области изображения или видеокадра); «IoU (Коэффициент Жаккара)» (задается значение от 0 до 1 для перекрытия между предсказанным прямоугольником и истинной рамкой). Приведены примеры функционирования мобильного приложения в режиме реального времени. В перспективе целесообразно усовершенствования мобильного приложения «Ассистент водителя», а также внедрение и практическое использование в компаниях по производству наземных транспортных средств (легковые и грузовые автомобили), а также общественных транспортов (автобусы, троллейбусы).

The article considers the problem of recognizing road infrastructure objects using the developed mobile application. The necessity of using YOLOv8 neural network models to solve this problem is substantiated. When implementing the mobile application, the Kotlin programming language and the Android Studio 2024.2.1 development environment were chosen. The Driver Assistant mobile application was developed on a laptop with an Intel Pentium CPU 3825U processor with a frequency of 1.9 GHz, 8 GB RAM, running the 64-bit Windows 10 Pro operating system. The main components of the mobile application are the camera module, the model selection module, and the experimental research module. The camera module includes permission to take photos or videos. The model selection module includes trained YOLOv8 neural network models (YOLOv8n, YOLOv8l, YOLOv8m, YOLOv8s, YOLOv8x). The experimental research module includes real-time object recognition and obtaining the result of its probability assessment. The main window of the mobile application includes the following tabs: «select YOLOv8 model modification», «processing time» (contains the object recognition time in milliseconds); «confidence threshold» (a value from 0 to 1 is set for the model's confidence that an object of a certain class is present in a given area of the image or video frame); «IoU (Jaccard coefficient)» (a value from 0 to 1 is set for the overlap between the predicted rectangle and the true frame). Examples of the mobile application functioning in real time are given. In the future, it is advisable to improve the «Driver Assistant» mobile application, as well as implement and use it in practice in companies producing land vehicles (cars and trucks), as well as public transport (buses, trolleybuses).

 РАСПОЗНАВАНИЕ ОБЪЕКТОВ МОБИЛЬНОЕ ПРИЛОЖЕНИЕ ОПЕРАЦИОННАЯ СИСТЕМА НЕЙРОСЕТЕВАЯ МОДЕЛЬ СМАРТФОН OBJECT RECOGNITION MOBILE APPLICATION OPERATING SYSTEM NEURAL NETWORK MODEL SMARTPHONE