Методика автоматизированной визуальной дефектовки контейнерного парка с применением интегрированного программного обеспечения

Тенденции развития отрасли контейнерных перевозок

В последние годы контейнерные перевозки считаются наиболее перспективным и развивающимся направлением глобальной транспортной системы, обеспечивающим обращение широкой номенклатуры грузов в международной торговле [1]. По оценкам международных организаций и исследовательских агентств мировой рынок контейнерных перевозок демонстрирует устойчивый рост с прогнозируемыми среднегодовыми темпами роста порядка 2,5 – 4% в среднесрочной перспективе, что связано как с расширением внешнеторговых потоков, так и с продолжающейся контейнеризацией грузов. При этом, существенный вклад в стабильный рост рынка вносит Азиатско-Тихоокеанский регион, где сосредоточена значительная часть производственных мощностей и ключевых портовых хабов, обслуживающих основные логистические коридоры по всему миру [2].

Российский рынок контейнерных перевозок развивается в условиях структурной перестройки транспортно-логистических цепочек и переформатирования внешнеторговых направлений [3]. На фоне геополитических ограничений наблюдается значительное перераспределение грузопотоков, при этом, например, доля контейнерных отправок железнодорожным транспортом в России стабильно растет с 2022 года. Экспертные оценки указывают на сохраняющийся значительный потенциал дальнейшего роста объемов контейнеризации за счёт развития терминальной инфраструктуры [4], привлечения новых ресурсов и инвесторов, расширения мультимодальных схем доставки, в том

EDN FEUJNJ числе с опорой на восточное направление и альтернативные морские маршруты.

Важнейшим фактором изменения рынка выступает смешанная цифровизация и автоматизация логистических процессов [5]. В современном мире транспортные и логистические операторы активно внедряют системы управления перевозками [6], аналитические платформы, решения на основе искусственного интеллекта и интернета вещей, направленные на оптимизацию контейнерных потоков, повышение прозрачности цепочек поставок и сокращение операционных издержек [7].

По данным на начало 2026 года объём контейнерных перевозок продолжает расти, транспортные цепочки удлиняются, что усиливает требования к надёжности контейнерного парка и прозрачности информации о его техническом состоянии. На практике это проявляется в необходимости оперативно фиксировать повреждения, следы коррозии, пробоины и другие дефекты, возникающие в процессе перевозок и погрузочно-разгрузочных операций, а также пересылать данные о состоянии контейнеров в единое информационное пространство участников перевозочного процесса, формируя интеллектуальную транспортно–логистическую сеть. Одновременно с этим сохраняется зависимость от трудоёмких, субъективных и слабо регламентированных процедур визуального контроля, что ограничивает возможности масштабирования и стандартизации диагностики контейнерного парка [8].

В этом контексте особую актуальность приобретают различные технологические решения, обеспечивающие оперативный контроль технического состояния контейнерного парка и интегрируемые в существующую информационную инфраструктуру, включая системы автоматизированного визуального анализа [9].

Рассматриваемая в данной работе система для анализа внешнего вида и технического состояния морских и железнодорожных грузовых контейнеров ориентирована на решение именно этой задачи. Ее использование позволяет рассматривать дефектовку не как эпизодическую регламентную процедуру, а как встроенный элемент технологической системы проверки состояния контейнеров, обеспечивающий регулярное, качественное и документируемое наблюдение за состоянием контейнерного парка.

Целью исследования является разработка алгоритма программы для системы автоматизированного визуального анализа технического состояния и внешнего вида грузовых контейнеров морского и железнодорожного транспорта в условиях действующих информационных систем операторов и терминалов.

Проблемные аспекты определения технического состояния контейнерного парка

Проблематика обеспечения надёжной дефектовки контейнеров носит комплексный характер и затрагивает как технологические, так и организационно-правовые аспекты [10]. Контейнер, проходя через несколько этапов транспортного цикла (приёмка, погрузка, перевалка, выгрузка, хранение, возврат порожнего), многократно подвергается механическим и климатическим воздействиям [11]. На каждом из этих этапов могут возникать повреждения по различным причинам: от локальных вмятин и пробоин вследствие некачественной или неосторожной погрузки-разгрузки до повреждений лако-красочного покрытия и развития коррозии в результате нарушения условий хранения и перевозки. При этом существующие процедуры контроля нередко ориентированы на формальное подтверждение пригодности контейнера к дальнейшей эксплуатации, а не на детальную фиксацию его технического состояния с привязкой к конкретным операциям и участникам цепочки [12].

Кроме того, существенной проблемой является несоответствие документированной информации о контейнере его фактическому состоянию [13]. В ряде случаев осмотр выполняется без должного внимания к деталям: инспектор ограничивается беглой оценкой, не имея возможности тщательно обследовать все наружные поверхности, крышу, нижнюю часть контейнера, элементы запорно-пломбировочного устройства и читаемость маркировки [14]. Отдельные дефекты могут маскироваться загрязнением, быть слабо различимыми при недостаточной освещённости или неблагоприятных погодных условиях. В результате в официальных документах контейнер может числиться исправным, тогда как на его корпусе уже присутствуют повреждения, потенциально влияющие на герметичность, безопасность перевозки или сохранность груза [15].

Дополнительную сложность создаёт отсутствие унифицированных подходов к визуальной фиксации дефектов. Даже когда выполняется фото- или видео-фиксация, она часто проводится в произвольных ракурсах, без стандартизированных требований к качеству, освещению, масштабу и зонам съёмки [16]. Это затрудняет последующее отслеживание происхождения повреждений и их сравнительный анализ во времени. Снимки могут храниться локально, на разных носителях и в разных форматах, не иметь привязки к идентификатору контейнера, к номеру рейса, станции или терминала, времени и типу операции. В такой ситуации визуальная ин-

А.В. Чудаков, Т.А. Менухова, Д.П. Грушихин формация утрачивает доказательственную ценность и не может служить основой для объективной дефектовки и своевременного ремонта [17].

Не менее значимым ограничением выступает человеческий фактор. Квалификация инспектора технического состояния контейнеров, выполняющего осмотр, может существенно различаться на разных контейнерных площадках [18]. Нагрузка на инспекторов высока, а время, отводимое на осмотр каждого контейнера, может меняться в зависимости от загруженности контейнерной площадки. При интенсивных погрузочно-разгрузочных операциях инспектор вынужден принимать решения в условиях дефицита времени, наличия шума, различных перемещений техники и людей. Это повышает вероятность неполного обнаружения дефектов (ложно-отрицательные оценки), а также гипертрофированной трактовки (ложно-положительные оценки), когда незначительные повреждения трактуются как критические [19]. В итоге одни и те же дефекты могут оцениваться специалистами по-разному, что ведёт к непредсказуемости решений при таком субъективном подходе.

К проблемам технологического характера добавляются информационные ограничения. Во многих случаях результаты осмотров фиксируются в виде свободного текстового описания или отметок в ведомостях без стандартизированного перечня признаков дефектов, их локализации и степени влияния на эксплуатационные характеристики контейнера [20]. Такая форма представления данных затрудняет дальнейшую аналитическую обработку, построение статистики отказов и повреждений, формирование моделей устаревания контейнерного парка. Отсутствие структурированных данных не позволяет в полной мере реализовать подходы предиктивной аналитики, для корректного прогнозирования остаточного эксплуатационного ресурса контейнерного парка и оптимизации его последующей ремонтной программы [21].

Наконец, важной проблемой выступает интеграция процедур дефектовки в цифровую среду современных транспортно-логистических систем [22]. Во многих случаях контроль осуществляется как «параллельный» процесс, слабо связанный с основными информационными потоками: данные об осмотре не попадают в централизованные базы в машиночитаемом виде, не используются в системах управления перевозками, бронирования и планирования основных операций. Это приводит к тому, что даже при наличии отдельных фото-материалов и формальных отчётов по осмотрам контейнеров эффект от их использования оказывается ограниченным [23].

Все перечисленные обстоятельства в совокупности формируют устойчивый запрос на переход от фрагментарной, вручную осуществляемой дефектовки к системному, автоматизированному и стандартизированному контролю технического состояния контейнеров. Особенно актуальным такой переход становится на этапах погрузки - разгрузки, когда контейнер подвергается максимальному числу воздействий, а скорость принятия решений критична для соблюдения графиков и минимизации простоев. В этих условиях программные решения, использующие методы компьютерного зрения для анализа фотоматериалов, рассматриваются как одно из ключевых направлений развития технологий де-фектовки и мониторинга состояния контейнерного парка [24].

Описание созданной программы для системы нейросетевого визуального контроля контейнеров

В качестве практической реализации предложенного подхода можно рассмотреть программу автоматизированного визуального контроля технического состояния контейнерного парка, реализованную в программной среде Python. Данное решение функционирует в формате отдельного веб‑приложения. После запуска программы инспектору предоставляется доступ к интерфейсу по логину и паролю. Такой формат организации доступа позволяет интегрировать программу как в инфраструктуру терминала, так и в рабочие места персонала, непосредственно задействованного в погрузочно‑разгрузочных операциях и доставке контейнеров. Основной функциональный сценарий работы предполагает загрузку пользователем фотоматериалов с изображением контейнера через веб‑интерфейс. После прикрепления фотографий осуществляется автоматизированный анализ технического состояния контейнера с использованием нейросетевой модели типа YOLO, настроенной на распознавание характерных внешних дефектов: вмятин, пробоин, коррозии и повреждений лако–красочного покрытия. На основе результатов обработки изображений система формирует заключение о наличии или отсутствии повреждений, а также, при необходимости, о типах выявленных в ходе анализа недостатков. Таким образом, процедура дефектовки переводится в формат формализованного анализа, минимизирующего влияние субъективного фактора. Дополнительно в программу встроен функциональный компонент оптического распознавания символов, реализованный на базе нейросетевой модели EasyOCR. Данный компонент обеспечивает автоматическую расшифровку идентификационного номера контей- нера по его изображению, что позволяет однозначно соотнести результаты визуального анализа с конкретной единицей контейнерного парка без ручного ввода требуемых реквизитов. Все полученные данные, включая результаты дефектовки, распознанный номер контейнера и сопутствующие служебные сведения, фиксируются в структурированном виде и передаются в базу данных. Это обеспечивает возможность дальнейшего накопления информации о техническом состоянии контейнеров, её аналитической обработки и интеграции с внешними информационно‑учётными системами.

Роль нейросетевых технологий в дефектовке контейнерного парка

В разработанном прототипе для обнаружения дефектов контейнеров используется сверточная ний. В отличие от классических методов, основанных на последовательном переборе фрагментов фотоматериала, YOLO анализирует снимок контейнера целиком за один проход, что обеспечивает высокую скорость обработки и возможность практического применения в условиях реальных погрузочно‑разгрузочных операций. В рамках работы исходное изображение контейнера нормируется по размеру и подаётся на вход нейросетевой модели, которая разбивает его на фрагменты и для каждой его части определяет параметры потенциальных областей с объектами: координаты ограничивающих рамок, вероятность наличия дефекта и принадлежность к одному из заранее заданных классов повреждений. На завершающем этапе применяется процедура подавления совпадений, позволяющая устранить дублирующиеся рамки и оставить для

нейронная сеть семейства YOLO, реализующая подход однопроходной идентификации объектов и предназначенная для анализа изображе- каждого обнаруженного дефекта один наиболее достоверный вариант ответа. Схема работы сверточной нейросети на базе модели YOLO представлена на рисунке 1.

Рисунок 1 – Обобщенная схема работы сверточной нейросети на базе модели YOLO [составлено авторами]

В результате прототип формирует набор локализованных областей с указанием типа дефекта и степени уверенности модели, который далее используется для принятия решения о техническом состоянии контейнера [25]. Для автоматизированной идентификации контейнера в системе применён функциональный компонент оптического распознавания символов, построенный на базе нейросетевой библиотеки EasyOCR. После загрузки пользователем фотографии контейнера, помимо анализа повреждений, выполняется определение и выделение области с маркировкой и номером контейнера, которая затем подаётся на вход модели EasyOCR. Она предварительно приводит фрагмент изображения к нормализованному виду, используя масштабирование, коррекцию контраста и шумоподавление, после чего с помощью сверточно‑рекуррентной архитектуры извлекает последовательность символов, составляющих идентификационный номер. Распознанный номер контейнера подвергается базовой проверке по формату (в нашем случае, соответствие структуре буквенно‑цифрового кода), после чего используется как идентификационный ключ для привязки результатов дефектовки к конкретной единице контейнерного парка [26]. Таким образом, в рамках одного технологического цикла программа одновременно решает две взаимосвязанные задачи: локализацию и классификацию дефектов на изображении (модуль YOLO) и автоматическую идентификацию контейнера по его маркировке (модуль EasyOCR). Сформированные сведения — набор обнаруженных дефектов с координатами и типами, а также распознанный номер — сохраняются в структурированном виде и передаются в базу данных, обеспечивая накопление истории технического состояния контейнеров [27].

Обкатка программного обеспечения в реальных условиях

В 2026 году разработанная программа была апробирована в работе специализированного контейнерного перевозчика ООО «Контейнерный транзит» (г. Санкт-Петербург, Россия), осуществляющего автомобильную доставку контейнеров по схемам порт–грузополучатель и ж/д терминал–грузополучатель [28]. Система автоматизированного визуального анализа была согласована с программой развития основных технологических процессов предприятия, и программа в тестовом режиме на 15 дней была

По результатам наблюдения выяснилось, что в среднем перевозчик обрабатывает около 3 заявок в сутки, что соответствует приблизительно 3 погрузочно-разгрузочным операциям, при этом ранее инспектор затрачивал порядка 24 минут на площадке на осмотр контейнера, фиксацию номера и передачу данных ответственному сотруднику. В рамках апробации программы выполнен статистический анализ ряда показателей [29], включая корректность работы алгоритмов распознавания, изменение временных затрат на обработку грузов и обусловленный этим экономический эффект. Основные встроена в ключевые транспортные операции результаты внедрения программы в технологи-компании.                                    ческие процессы компании представлены в таб лице 1.

Таблица 1 – Основные результаты внедрения программы в организации ООО «Контейнерный транзит» [составлено авторами]

День апробации	Количество погрузок - разгрузок в день, ед.	Количество правильных определений, ед.	Затраты времени до апробации программы, мин	Затраты времени после апробации программы, мин
1	3	3	25	15
2	2	2	27	13
3	4	3	21	12
4	3	3	24	15
5	3	3	28	14
6	4	3	25	17
7	1	1	21	14
8	1	1	23	13
9	2	2	26	15
10	1	1	22	15
11	3	3	24	18
12	2	2	23	16
13	1	1	28	18
14	5	3	26	14
15	1	1	23	15
Рассчитанные значения	Итого 36	Итого 32	Ср. арифм. 24,36	Ср. арифм.14,9

При проведении анализа полученных результатов сделан вывод, что средняя результативность работы программы составила порядка 88%. На основе замеров времени установлено, что внедрение программы позволило снизить трудозатраты персонала на операции, связанные с осмотром и описанием контейнеров в ходе погрузочно-разгрузочных процессов. В частности, средняя продолжительность нахождения водителя на площадке при выполнении визуального контроля и заполнении документации по заданным параметрам уменьшилась с 24 до 15 минут, то есть примерно на 38%, что можно расценивать как значимый позитивный эффект в контексте дальнейшего масштабирования и отладки предлагаемого программного решения [30]. График времени, затрачиваемого на дефектовку контейнерного парка в практике, представлен на рисунке 2.

Заключение

Выполненное исследование ориентировано на повышение объективности и оперативности определения технического состояния контейнерного парка за счёт перехода от ручной, эпизодической дефектовки к системе автоматизированного визуального контроля. В работе отмечены ключевые ограничения действующей практики осмотра контейнеров, основанной на субъективной оценке и неполной фиксации дефектов, и обоснована необходимость интеграции результатов контроля в единый цифровой контур управления контейнерным парком. В качестве практической реализации предложенного подхода разработана интегрируемая веб-ориентированная программа, включающая функциональный компонент нейросетевой детекции внешних повреждений (на основе моделей типа YOLO) и компонент автоматического распознавания идентификационных номеров контейнеров (EasyOCR) с последующей фиксацией данных в базе. Апробация программы в условиях деятельности специализированного контейнерного перевозчика подтвердила ее практическую применимость, позволив одновременно обеспечить корректность выявления дефектов и сократить временные затраты персонала на операции осмотра и документирования.

• ■    Стандартное время, которое затрачивает водитель на дефектовку 1 контейнера, мин

• ■    Время, которое затрачивает водитель на дефектовку 1 контейнера, после внедрения программы, мин

Рисунок 2 – График времени, затрачиваемого на дефектовку контейнерного парка [составлено авторами]

Полученные результаты исследования являются основой для дальнейшего развития системы интеллектуального мониторинга контейнерного парка и ее интеграции в более широкий спектр цифровых сервисов транспортно-логистической отрасли. В перспективе подобные программные решения могут стать частью комплексных систем предиктивного управления ремонтом, где на основе накопленных визуальных и эксплуатационных данных формируются прогнозы деградации конструктивных элементов контейнеров и оптимизируются графики их обслуживания. Интеграция модулей автоматизированной дефектовки с платформами мониторинга перевозок, системами управления складской и терминальной инфраструктурой, а также с сервисами страховой и претензионной работы позволит формировать сквозную «цифровую историю» контейнера, повышать прозрачность взаимодействия участников логистической цепочки и снижать совокупные риски и потери при эксплуатации контейнерного парка.