---
schema_version: "1.0"
canonical: "https://new.dclouds.ru/projects/kottedzhnye-posyelki-berezki-r-d"
type: "page"
lang: "ru"
source_updated_at: "2026-02-16T07:09:37+07:00"
generated_at: "2026-11-14T11:15:51+07:00"
---

# Коттеджные посёлки "Березки" R&D

> Коттеджные посёлки "Березки" R&D - все о разработке и поддержке проекта в Digital Clouds. В IT с 2011 года, наши клиенты - Платферрум, Cozy Home, Шашлыкоff и другие масштабные проекты. Найдём решение задач любого уровня сложности!

Разработка и внедрение системы распознавания автомобильных номеров для строительной компании “Дар”. Как результат — прогульщик пойман!

## Клиент

**Строительная компания “** **Дар** **”** — компания-застройщик коттеджных поселков “Березки” в городе Новосибирске.

## Цели и задачи

Компания “Дар” является нашим клиентом уже несколько лет — мы разработали сайт для коттеджных поселков “Березки” и кастомную CRM, оказываем 1С-услуги.

Когда в 2021 году у клиента возникла потребность обеспечить контроль рейсов грузового транспорта, он также обратился к нам. Рост объемов строительства привел к возникновению неизбежной задачи — необходимости вести учет и проверку работы транспорта.

После сбора и анализа требований клиента мы обозначили цель — **разработать систему учета рейсов машин для понимания времени, которое автомобильная техника проводит на отвале грунта, за счет распознавания автомобильных номеров**.

## Решение

Разработка системы учета базировалась на серии исследований.
Наша команда провела тестирование: сначала на территории офиса, затем — на тест-площадке. Первым делом мы подобрали и установили камеры (на въезд и на выезд), настроили их ракурс. На тест-площадке мы установили мини-компьютер — на него передавались кадры с камер. Мини-компьютер фильтрует полученные кадры, отбирая только те, где было зафиксировано движение. Отобранные фото мини-компьютер отправляет на сервер в офисе, где уже происходит распознавание и обработка.

Для распознавания номеров было решено использовать готовую и обученную нейросеть NomeroffNet. Чтобы сбалансировать нагрузку на нее, на сервере были сделаны очереди Kafka.
Так как на тест-площадке не было возможности подключить стабильную интернет-связь, наша команда предварительно создала буфер изображений — так мы уменьшили вероятность потери кадров.
На следующем этапе мы продумывали, как клиенту быстро и удобно получать информацию с сервера. Оптимальным вариантом стала разработка Telegram-бота с подключением сервиса Yandex DataLens.

Бот получает сообщения о проезде машины в течение нескольких минут, а DataLens предоставляет возможность фильтровать данные по площадкам, машинам, дням и отображает статистику. Таким образом клиент может просматривать, как много рейсов каким авто было сделано и какова была продолжительность отдельного рейса. С помощью бота для внутреннего пользования также можно осуществлять мониторинг стабильности системы.

## Технологический стек

- Python
- Pytorch
- Kafka

## Результат

Мы разработали и апробировали систему, которая с помощью камер позволяет распознавать автомобильные номера, группирует полученные данные и информирует пользователя посредством отправки сообщения в Telegram-бот.
Наша разработка была успешно внедрена в строительной компании “Дар” как инструмент автоматизации входа/выхода грузового транспорта на стройке.

## Комментарий team-lead проекта

## Команда проекта

- Team-lead проекта
- CV-разработчик
- Разработчики — 4 специалиста

## Отзыв клиента

## Ссылки

- [Главная](https://new.dclouds.ru/llms-pages/index.txt)
- [Услуги](https://new.dclouds.ru/llms-pages/services.txt)
- [Проекты](https://new.dclouds.ru/llms-pages/projects.txt)
- [Контакты](https://new.dclouds.ru/llms-pages/contacts.txt)