В марте 2026 года МТС внедрила на вахтовых автобусах разреза «Междуречье» систему видеонаблюдения с ИИ-аналитикой и бортовым мониторингом. Событие показательно не только для горной отрасли, но и для студентов ИТ-направлений: это живой пример того, как компьютерное зрение, интернет вещей и облачная инфраструктура соединяются в реальном промышленном решении. Для ВКР такой кейс — готовый источник требований, архитектурных решений и метрик. Вместо абстрактного «разработать систему» вы получаете конкретные сценарии: контроль усталости водителя, соблюдение маршрута, автоматическое распознавание опасных зон. Это ровно то, что выделяет хорошую дипломную работу среди прочих: привязка к реальной задаче и понятный бизнес-эффект.
Ниже разберём, как превратить статью в полноценную основу для ВКР, какие темы выбрать, как построить главы, какие ГОСТы и стандарты процитировать, и какие метрики добавить, чтобы защита прошла уверенно.
Основной запрос: «камеры с искусственным интеллектом в ВКР»
LSI-запросы: архитектура системы видеонаблюдения, промышленный интернет вещей (IIoT), алгоритмы компьютерного зрения, интеграция с бортовым мониторингом, оценка эффективности ИИ-системы, требования ГОСТ 34.601-89, ISO/IEC 25010, тестирование видеоаналитики, RTO/RPO для промышленных систем, метрики точности и полноты.
Вопросы студентов:
Ключевые сущности: ГОСТ 34.601-89, ГОСТ Р 59795-2021, ISO/IEC 25010, Kubernetes, OpenTelemetry, CI/CD, YOLOv8, OpenCV, Kafka, gRPC, RTO/RPO.
Статья даёт минимум три готовых направления для диплома. Каждое можно реализовать как аналитическую работу, как прототип или как часть существующей системы.
| Тема | Актуальность (из статьи) | Цель | Задачи (3-4) |
|---|---|---|---|
| Разработка модуля видеоаналитики для контроля усталости водителя вахтового автобуса | МТС использует ИИ для контроля состояния водителя; это снижает риск аварий на карьерных дорогах | Создать прототип системы, определяющей признаки усталости по видеопотоку |
|
| Проектирование архитектуры бортового мониторинга с ИИ-аналитикой для горнодобывающего предприятия | Внедрена интеграция видеонаблюдения и бортового мониторинга на разрезе «Междуречье» | Спроектировать распределённую архитектуру сбора и обработки видео на транспорте |
|
| Оценка эффективности внедрения ИИ-видеоаналитики в систему промышленной безопасности | Кейс показывает применение ИИ для контроля соблюдения правил безопасности на разрезе | Разработать методику расчёта экономического эффекта от внедрения видеоаналитики |
|
Для каждой темы типовая структура глав выглядит так:
В первой главе нужно не пересказывать статью, а использовать её как отправную точку для анализа. Сравните подход МТС с альтернативными решениями: например, системы от «ВидеоСкан» или«ЭЛВИС-НеоТек», открытые фреймворки DeepStream SDK, или облачными сервисами AWS Rekognition. Постройте сводную таблицу по критериям: стоимость, точность, задержка, возможность работы офлайн, наличие бортового видеорегистратора.
Такой разбор показывает, что вы умеете не просто копировать чужой опыт, а проводить систематический анализ. Рекомендую использовать как минимум три источника: статью CNews, официальные материалы МТС по продукту, а также техническую документацию открытых моделей. Для обоснования выбора архитектуры опирайтесь на ГОСТ 34.601-89 (автоматизированные системы, стадии создания) и ISO/IEC 25010 (модель качества ПО).
Здесь ключевая задача — показать, как вы планируете реализовать систему. Статья упоминает видеонаблюдение и бортовой мониторинг. Ваша задача — декомпозировать это на модули. Например:
Обязательно нарисуйте диаграмму контекста (UML), диаграмму компонентов и диаграмму развёртывания. Если боитесь, что в вузе не примут UML от руки, используйте PlantUML или draw.io, но сохраняйте единый стиль. В подписях к рисункам указывайте, какие элементы соответствуют требованиям ТЗ (ГОСТ 34.602-89).
// Пример фрагмента конфигурации для Kubernetes (опционально в приложении)
apiVersion: apps/v1
kind: Deployment
metadata:
name: video-analyzer
spec:
replicas: 3
selector:
matchLabels:
app: analyzer
template:
metadata:
labels:
app: analyzer
spec:
containers:
- name: detector
image: yolo8-safety:latest
ports:
- containerPort: 8080
resources:
limits:
nvidia.com/gpu: 1
Этот листинг показывает, что вы понимаете, как масштабировать сервис в случае роста числа автобусов. Для диплома достаточно фрагмента, а не полного манифеста, но аккуратность приветствуется.
Самая частая ошибка — раздел «Тестирование» состоит из фраз «система работает», «ошибок нет». Этого недостаточно. В статье упоминается аналитика ИИ, поэтому ваша работа должна содержать конкретные метрики.
| Метрика | Что измеряет | Допустимое значение | Как получить в дипломе |
|---|---|---|---|
| Precision (точность) | Доля верно найденных объектов среди всех найденных | >0,95 | Сравнить разметку тестового набора с предсказаниями модели |
| Recall (полнота) | Доля верно найденных объектов среди всех реальных | >0,90 | Аналогично, на тестовых видео |
| FPS (кадров/с) | Скорость обработки | >15 | Замерить через time.time() или нагрузить систему тестом |
| RTO (время восстановления) | Как быстро система восстановится после сбоя | <5 минут | Перезапустить сервис, засечь время до готовности |
| RPO (допустимая потеря данных) | Сколько данных можно потерять | не более 10 сек видео | Эмулировать обрыв сети и оценить буферизацию |
Данные для тестов можно получить двумя путями: использовать открытые датасеты (например, CUHK-Avenue для детекции аномалий, или синтетические рендеры), либо собрать свои записи с веб-камеры в учебном классе. В последнем случае важно указать, что видеозаписи не содержат персональных данных или получено согласие.
Для мониторинга работы системы используйте OpenTelemetry: описав трейс запроса от камеры до диспетчера, вы покажете, где возникают задержки и как собирать метрики. Это добавит работе инженерной солидности.
Ошибка 1. Подмена терминов. Пишут «облачная платформа», а на самом деле используют один сервер без виртуализации. Если вы упоминаете IIoT, то должны описать периферийные устройства, протоколы и шлюзы. В статье МТС чётко разделены «видеонаблюдение» и «бортовой мониторинг» — следуйте этому.
Ошибка 2. Нет метрик эффективности. Вместо «система распознаёт усталость» нужно: «модель достигает точности 94% при пороге уверенности 0,7». Если вы не использовали готовую модель, а просто провели анализ, то укажите метрики: скорость обработки, стоимость часа работы системы.
Ошибка 3. Игнорирование стандартов. ГОСТ 34.601-89 и ГОСТ Р 59795-2021 описывают стадии создания и требования к автоматизированной системе. Ссылку на них надо включать в раздел «Нормативные документы». Часто студенты об этом забывают, и рецензент снимает баллы.
Вы можете обучить модель в Google Colab (бесплатный GPU) или на собственной видеокарте. Для демонстрации работы достаточно взять 300–500 кадров. Если тема не про машинное обучение, а про архитектуру, то можно использовать готовое API или предобученную модель. Обучение не обязательно проводить с нуля.
Тогда в главах упор на UML-диаграммы, схемы потоков данных, математическую постановку задачи и описание протоколов. Можно выполнить макет пользовательского интерфейса или создать руками перечень таблиц базы данных с обоснованием нормальных форм. Но лучше уточнить: даже для аналитической ВКР небольшая функция или подсистема (например, загрузка видео в базу) значительно повысит качество.
Используйте не просто картинки, а пояснительный текст по каждой диаграмме. Перед диаграммой опишите сценарий: «При поступлении видеопотока модуль детекции создаёт событие, которое передаётся в брокер Kafka...». Это покажет, что вы понимаете взаимодействие компонентов, а не просто рисуете стрелочки.
Возможные источники: камеры в учебной аудитории (с согласия участников), записи карьерной техники с YouTube (укажите лицензию), синтетическая генерация в Unreal Engine или Unity, специализированные датасеты (например, INRIA Person Dataset; для усталости водителя — NTHU-DDD). В работе обязательно укажите, что датасет искусственно разнообразен по освещению.
Помимо технических навыков, вы получите главное — умение превращать новость в инженерную задачу. На собеседовании работодателю будет любопытно услышать, как вы анализировали кейс МТС, искали ограничения, подбирали альтернативы. Это отличает вас от выпускников, которые писали диплом «про IoT» без привязки к реальности.
Планируйте работу по этапам: первая неделя — анализ источников, вторая — выбор модели, третья — сбор датасета и обучение, дальше — интеграция и тесты. Запланируйте запас в 2 недели на форс-мажоры.
Источник: Камеры с искусственным интеллектом проследят за безопасностью горняков разреза «Междуречье» (опубликовано 2026-03-18)
```