В работе представлен прототип системы ситуационного анализа на основе компьютерного зрения. Основная идея состоит в том, чтобы перейти от простого распознавания отдельных объектов к пониманию сцены в целом. Для детекции объектов использована модель SSD-MobileNet v3, обученная на датасете COCO, обеспечивающая работу в реальном времени даже на сравнительно слабом оборудовании.

Апробация нашей программы проводилась в три этапа, которые соответствуют трём ключевым сценариям её работы. Цель была не просто проверить корректность алгоритмов, но и оценить, как система поведёт себя в условиях, близких к реальным, с учётом особенностей каждого применения. 

Первый сценарий — это распознавание дорожных объектов: светофора, знаков, пешеходов и автомобилей. Тестирование проводилось как на заранее подготовленных видеозаписях, так и в реальном времени, вблизи оживлённого перекрёстка. Мы проверяли корректность работы алгоритма при разном освещении, разных ракурсах и частичных перекрытиях объектов. Система стабильно обнаруживала автомобили и пешеходов, уверенно определяла светофоры, в том числе различая их сигналы. Сложнее всего оказалось с дорожным знаком «STOP» — здесь мы увеличили порог уверенности, чтобы исключить ложные срабатывания, и в результате знак стал распознаваться реже, но гораздо надёжнее. В среднем задержка реакции программы на появление объекта в кадре составила около двух десятых секунды, что вполне достаточно для анализа в реальном времени. 

Второй сценарий был посвящён обнаружению опасных предметов, в нашем случае — ножа. Здесь мы работали уже не с уличными сценами, а в помещении, используя вебкамеру. Испытания проходили в разном освещении, с ножами разных форм, а также с безопасными предметами, похожими на них по силуэту, чтобы проверить устойчивость алгоритма. В хорошо освещённой обстановке нож определялся с высокой точностью, а при недостаточном свете точность снижалась, но ложных срабатываний было относительно немного. При обнаружении опасного предмета экран частично подсвечивался красным — это было видно даже периферийным зрением, и такой сигнал трудно было пропустить. 

Третий сценарий — ситуационный анализ. Здесь мы уже не ограничивались детекцией отдельных объектов, а пытались понять, что происходит на сцене. Для этого мы моделировали потенциально опасные ситуации: пешеход, переходящий дорогу на красный свет; автомобиль, не уступающий дорогу; человек с ножом, приближающийся к группе людей. Программа не только распознавала присутствие ключевых объектов, но и анализировала их взаимное расположение. В случае, если комбинация указывала на возможную угрозу, система выводила предупреждающее сообщение. Даже при ухудшении качества видеопотока алгоритм в большинстве случаев корректно классифицировал ситуацию. 

Проведённая апробация подтвердила работоспособность системы: прототип успешно выявлял дорожные объекты, определял опасные предметы и классифицировал простые сценарии взаимодействия объектов. Система продемонстрировала устойчивость к шумам и работу в реальном времени, что открывает перспективы её применения в системах безопасности, автономном транспорте и промышленной автоматизации.