madiАвтомобиль. Дорога. Инфраструктура. = Avtomobil'. Doroga. Infrastruktura.Avtomobil'. Doroga. Infrastruktura.2409-7217МАДИmadi-1625Research ArticleПроблемы автомобильного транспортаThe problems of road transportМетод автоматизации обработки результатов испытаний эффективности действия систем ADAS (DCAS)The method for automating the processing of test results for the effectiveness of ADAS (DCAS) systemsАлтдиновРенат ФлюровичAltdinovRenat F.

магистрант

undergraduate

renat.altdinoff@yandex.ruКристальныйСергей РобертовичKristalnySergey R.

канд. техн. наук, доц.

Candidate of Sciences (Technical), associate professor

sportauto@rambler.ruМАДИРоссияMADIRussian Federation20263006202602(48)1515Copyright © Алтдинов Р.Ф., Кристальный С.Р., 20262026Алтдинов Р.Ф., Кристальный С.Р.Altdinov R.F., Kristalny S.R.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.adi-madi.ru/madi/article/view/1625

Предлагается инновационный метод автоматизированной обработки результатов испытаний эффективности действия интеллектуальных систем помощи водителю (Advanced Driver-Assistance System – ADAS, Driver Control Assistance Systems – DCAS). Разработаны два подхода к определению момента срабатывания целевого визуального сигнала: подход на основе анализа изменения яркости в заданных областях кадра и метод с использованием сверточных нейронных сетей. Приведены примеры технической реализации указанных подходов. Выполнено сравнение подходов по точности, скорости обработки и устойчивости к воздействию внешних условий. Продемонстрирована работоспособность предложенного метода на примере обработки результатов испытаний эффективности действия системы предупреждения о столкновении спереди. Установлено, что подход с использованием нейронных сетей обеспечивает большую точность детекции целевого изображения, чем подход на основе анализа изменения яркости в заданных областях кадра.

An innovative method of automated processing of test results of the effectiveness of intelligent driver assistance systems (Advanced Driver-Assistance System – ADAS, Driver Control Assistance Systems – DCAS) is proposed. Two approaches have been developed to determine the moment when the target visual signal is triggered: an approach based on the analysis of brightness changes in specified areas of the frame and a method using convolutional neural networks. Examples of the technical implementation of these approaches are given. A comparison of approaches in terms of accuracy, processing speed, and resistance to environmental conditions has been performed. The efficiency of the proposed method is demonstrated by the example of processing the test results of the effectiveness of the front collision warning system. It has been found that the neural network approach provides greater accuracy in detecting the target image than the approach based on the analysis of brightness changes in specified areas of the frame.

опережающая система экстренного торможения (ОСЭТ)классификация изображенияобработка видеоданныхсверточные нейронные сетииспытательный заездсинхронизация параметрических записейadvanced emergency braking system (OSET)image classificationvideo data processingconvolutional neural networkstest runsynchronization of parametric recordingsReferencesНовые методы испытаний систем автоматического экстренного торможения и опыт их применения / А. М. Иванов, С. Р. Кристальный, Н. В. Попов [и др.] // Труды НГТУ им. Р.Е. Алексеева. – 2018. – № 2(121). – С. 146-155. – DOI 10.46960/1816-210X_2018_2_146. – EDN XSELUT.Новые методы испытаний систем автоматического экстренного торможения и опыт их применения / А. М. Иванов, С. Р. Кристальный, Н. В. Попов [и др.] // Труды НГТУ им. Р.Е. Алексеева. – 2018. – № 2(121). – С. 146-155. – DOI 10.46960/1816-210X_2018_2_146. – EDN XSELUT.Исследование процесса экстренного торможения с применением системы АБС и без неё / А. Е. Гончарук, Е. С. Красавин, В. Д. Сморчков, С. С. Шадрин // Автомобиль. Дорога. Инфраструктура. – 2021. – № 4(30). – EDN LSPNOQ.Исследование процесса экстренного торможения с применением системы АБС и без неё / А. Е. Гончарук, Е. С. Красавин, В. Д. Сморчков, С. С. Шадрин // Автомобиль. Дорога. Инфраструктура. – 2021. – № 4(30). – EDN LSPNOQ.Актуальные вопросы совершенствования технического зрения при использовании на автомобилях / А. Г. Тыняный, С. Р. Кристальный, П. А. Красавин [и др.] // Автомобиль. Дорога. Инфраструктура. – 2026. – № 1(47). – EDN HCEEXC.Актуальные вопросы совершенствования технического зрения при использовании на автомобилях / А. Г. Тыняный, С. Р. Кристальный, П. А. Красавин [и др.] // Автомобиль. Дорога. Инфраструктура. – 2026. – № 1(47). – EDN HCEEXC.Safety effectiveness of forward collision warning systems in the vehicle fleet: A driving simulation study / O. Olufowobi, J. Ivan, K. Wang, N. Eluru // Accident Analysis & Prevention. – 2025. – Vol. 218. – P. 108078. – DOI 10.1016/j.aap.2025.108078. – EDN EEOXZU.Safety effectiveness of forward collision warning systems in the vehicle fleet: A driving simulation study / O. Olufowobi, J. Ivan, K. Wang, N. Eluru // Accident Analysis & Prevention. – 2025. – Vol. 218. – P. 108078. – DOI 10.1016/j.aap.2025.108078. – EDN EEOXZU.Goodfellow, I. Deep Learning / I. Goodfellow, Y. Bengio, A. Courville. – Cambridge, MA: MIT Press, 2016. – 800 p. – ISBN 0262035618.Goodfellow, I. Deep Learning / I. Goodfellow, Y. Bengio, A. Courville. – Cambridge, MA: MIT Press, 2016. – 800 p. – ISBN 0262035618.

The authors declare that there are no conflicts of interest present.