Осмотр авто за 15 секунд: как мы внедрили ИИ в таксопарке
ИИ

Осмотр авто за 15 секунд: как мы внедрили ИИ в таксопарке

13.11.2026
38

На приемке таксопарк решает несколько задач: проверяет внешний вид машины, фиксирует повреждения и отслеживает изменения за смену. Ручной осмотр занимал 5–10 минут. Мы разработали «Автоскан» — систему на базе компьютерного зрения, которая проверяет автомобиль за 15 секунд во время проезда машины через портал.

Рассказываем, как внедрили компьютерное зрение в таксопарке. Система объединяет оборудование, нейросети и данные автопарка, чтобы ускорить приемку и контролировать состояние машин.

Разработка на базе ИИ

Зачем таксопарку автоматизация приемки автомобилей


Состояние автомобиля проверяют и при выдаче, и при возвращении. Во время пересменки машины следуют одна за другой, а время механика ограничено. Длительный осмотр создает очередь на въезде. Особенно когда водители такси возвращаются с линии почти одновременно.

Ускорение ручной проверки снижает внимание к каждой машине. Царапину могут заметить только при следующей приемке. Тогда возникает вопрос: повреждение появилось в последнюю смену или осталось незамеченным раньше?

Отдельная задача — внешний вид. Чистота кузова, наличие фонаря и целостность брендирования влияют на соответствие требованиям агрегатора такси. Такие замечания лучше обнаруживать до выезда. Это помогает проверять внешний вид машины до того, как она отправится на заказ к клиенту.

Поэтому проект объединяет три цели: сократить время осмотра, проверять проезжающие автомобили по единому сценарию и сохранять информацию для восстановления истории изменений.


Как работает система автоматического осмотра автомобилей


Автоскан состоит из стационарной арки с камерами, подсветки, вычислительного оборудования и программной части. Осмотр бесконтактный и происходит на ходу: водитель такси проезжает через портал со скоростью 5–10 км/ч.

Распознавание госномеров начинается еще на подъезде к порталу. Камера считывает номер, система находит автомобиль во внутренней базе и загружает связанные с ним данные водителя. Номер служит связующим элементом между снимками и карточкой машины.


Дальше проверка проходит в несколько шагов:

  1. Камеры снимают автомобиль. Синхронизированная съемка охватывает кузов со всех сторон, отдельный модуль фиксирует днище.

  2. Нейросети анализируют изображения. Модели выявляют повреждения кузова, оценивают чистоту и наличие элементов брендирования. Нейросеть помогает автоматизировать поиск дефектов без ручного просмотра каждого снимка.

  3. Система сравнивает осмотры. Текущее состояние сопоставляется с данными предыдущего выезда, чтобы выделить новые дефекты.

  4. Результат поступает в рабочий интерфейс. Фотографии, время проверки и сведения об обнаруженных изменениях сохраняются в истории автомобиля.

В штатном сценарии такой визуальный осмотр занимает 15 секунд. Если система обнаруживает неоднозначное повреждение, к проверке подключается механик

Как фиксация повреждений помогает разбирать споры


Для парка важно понимать, когда изменилось состояние машины. Один снимок царапины подтверждает ее наличие, но для разбора ситуации нужны данные предыдущей проверки.

Поэтому мы реализовали сравнение «до и после». Система сопоставляет осмотры и выделяет изменения. Ранее зафиксированное повреждение не рассматривается как новое.

У сотрудников появляется основа для обсуждения с водителем: фотографии при выезде и возвращении, время съемки и данные смены. Это помогает разбирать спорные списания и проверять, был ли дефект на автомобиле раньше.

Такая история полезна и для последующего управления машиной. Сведения о ее состоянии собраны в одной карточке: можно просмотреть предыдущие осмотры и обратиться к фотографиям конкретного повреждения. Так формируется цифровой паспорт автомобиля.


Где решение остается за механиком


В проекте предусмотрены три статуса проверки:


Зеленый означает, что по настроенным критериям визуального осмотра замечаний не обнаружено. Желтый сообщает о ситуации, которая требует оценки специалиста. Красный указывает на выявленные повреждения или нарушения, из-за которых система блокирует выезд до устранения замечаний.

Такой подход учитывает ограничения съемки. Отсутствующее зеркало и небольшая царапина на мокром кузове — разные задачи для компьютерного зрения. Крупные повреждения заметнее, а мелкие дефекты сложнее отличить от блика, грязи или отражения.

Автоскан оценивает состояние, которое можно зафиксировать на изображениях. Неоднозначные случаи поступают механику вместе со снимками. Он проверяет результат в веб-интерфейсе и подтверждает решение.

Это меняет распределение работы: автоматическая проверка обрабатывает поток машин, а специалист разбирает случаи, в которых нужна его оценка.

Как настроили съемку кузова и распознавание госномеров такси


Разработка системы компьютерного зрения для таксопарка началась с изучения условий съемки. Качество распознавания зависит от того, какие изображения получает модель. Поэтому мы исследовали движение автомобилей на объекте, освещение, погоду и загрязнения, с которыми предстоит работать.

Кузов отражает свет, на мокрой поверхности появляются блики, а номер может быть частично закрыт грязью. Условия на тестовом стенде отличаются от условий эксплуатации.

Для стабильной съемки команда подобрала промышленные камеры с глобальным затвором, поляризационные фильтры и управляемую подсветку. Настройки камер и пороги обнаружения корректировали при пусконаладке на объекте.

Для распознавания российских госномеров мы дополнительно обучили модели. При подготовке данных использовали изображения с загрязнениями и другими искажениями, чтобы адаптировать алгоритмы к сложным условиям.

Здесь понадобилась совместная работа специалистов по оборудованию и машинному обучению: подходящие камеры, свет и расположение оптики создают условия, в которых алгоритмы могут выполнять свою задачу.


Зачем анализировать снимки прямо на объекте


Передача изображений в облако сделала бы скорость проверки зависимой от канала связи. Поэтому первичный анализ мы разместили на вычислительном устройстве рядом с порталом.

Так устроены периферийные вычисления, или Edge AI: нейросети обрабатывают снимки непосредственно на объекте. В центральную систему передаются результаты проверки и необходимые изображения.

При потере интернета локальный анализ продолжает работать. Данные временно сохраняются на устройстве и синхронизируются после восстановления связи. Это позволяет сохранить непрерывность самой проверки даже при нестабильном соединении.


Программную часть собрали из нескольких компонентов:

  • Python и PyTorch — обучение моделей компьютерного зрения.

  • Mask R-CNN и YOLO-seg — выделение повреждений на изображениях с определением их границ.

  • OCR-модели — чтение государственных регистрационных знаков.

  • NVIDIA Jetson и инструменты ускорения вычислений — выполнение анализа на объекте.

  • FastAPI, PostgreSQL и S3-хранилище — обмен данными, хранение результатов и фотографий.

  • React — веб-интерфейс для сотрудников парка.

Систему связали с рабочим местом механика и внутренними данными автопарка. Сведения об осмотре становятся частью процесса приемки, а сотрудники получают доступ к результатам через единый интерфейс.

Внедрение компьютерного зрения: монтаж, настройка и пилот


Внедрение включало проектирование портала, монтаж оборудования, обучение моделей и интеграцию программной части. Эти задачи зависели друг от друга: расположение камер влияло на качество снимков, а результаты распознавания помогали уточнять настройки.

После монтажа команда откалибровала оборудование под освещение объекта и настроила пороги срабатывания моделей. Затем систему подключили к рабочему месту механика и обучили сотрудников.

Пилот проводили на автомобилях парка с параллельным контролем специалиста. Это позволило проверить результаты в реальных условиях и внести корректировки перед переходом к штатной работе.

Такой запуск нужен, чтобы оценить весь процесс: от считывания номера до появления результата в карточке автомобиля и обработки спорного случая механиком.


Что изменилось после внедрения ИИ


Время визуального осмотра сократилось с 5–10 минут ручной работы до 15 секунд проезда через портал. Это уменьшило задержки на приемке и нагрузку на механика в период пересменки.

Появилась единая история состояния машин. Фотофиксация и сравнение осмотров дали сотрудникам данные для разбора спорных повреждений. Проверка чистоты и брендирования позволила выявлять соответствующие замечания до выхода автомобиля на линию.

Для руководителя таксопарка результат складывается из нескольких изменений: быстрее проходит приемка, понятнее становится история повреждений, а работа специалиста сосредоточена на случаях, требующих внимания.

Проект показывает, как компьютерное зрение можно встроить в повседневную операцию. Камеры фиксируют состояние машины, модели выделяют изменения, а программная часть связывает результат с автомобилем и сменой. Именно эта связь делает автоматический осмотр полезным для управления парком.

Если в ваших процессах много повторяющихся визуальных проверок, обсудим задачу, оценим условия съемки и предложим вариант автоматизации.