Содержание
Терней — Амгу: romveres — LiveJournal
23 июля
На Амгу! – река Кема – посёлок Амгу – АЗС — Амгинский пляж – сворот на Светлинскую трассу – дороги севера – переправа через Соболевку — староверы – Усть-Соболевка – лошади — беспокойная ночь
Наступило утро. Пора отправляться в путь. Тернея на таборе не оказалось, видимо убежал в посёлок. Свернули наш лагерь, распихали вещи по машинам и поехали дальше, по направлению к району работ. Для начала заехали на Тернейскую заправку, залили баки под завязку и заполнили все имеющиеся у нас канистры бензином. Двухсотлитровые бочки решили залить в Амгу, на последней в направлении Советской Гавани заправке.
Снова жарило солнце. Снова навстречу поползли километры пути, всё больше и больше разделяющие нас с домом. Теперь это уже были пыльные километры грунтовки, пролегающей среди безлюдной сихотэ-алиньской тайги. Миновали Таёжный перевал, забрались на Мартелевский. Его высота уже 700 м, так что даже пришлось остановиться, чтобы немного остыл двигатель.
На перевале установлен дорожный указатель, на котором впервые упоминается Амгу.
Затем спустились в долину Кемы и поехали по ней вверх к очередному перевалу. На прижиме дороги возле порогов остановились, как делают почти все проезжающие мимо.
L-54», автор dalnygor на Яндекс.Фотках
» alt=»» />
Место действительно величественное, если бы не одно но… Всякий раз, попадая на Кему, я испытываю горечь. Это примерно то же, как после долгой разлуки с родителями, сквозь радость встречи, увидеть, как они изменились и постарели. Поездки с отцом на рыбалку на Кему – одни из самых ярких впечатлений детства. Тогда для меня это был крайний север, земля чудес, край земли. Дорога на Северо-восток заканчивалась в районе устья Смеховки. Река производила сильное впечатление. Мощная, прозрачная, холодная, дикая. Сплав от Секунжи до моря это было нечто!
Затем по всему бассейну реки наделали лесовозных дорог, стали пилить тайгу. Вода в реке помутнела, позеленела, на камнях появился ил.
С появлением магистральной дороги и всеобщей автомобилизацией населения, на Кему ринулись толпы рыбаков и туристов. У их стоянок образовались стихийные помойки. Да и рыбалка стала уже не та…
Наши студенты достали свои фотоаппараты, начали фотографировать реку, пороги и тайгу, восхищаясь пейзажем. Как бы я хотел разделить их эмоции! Но мне оставалось лишь вспоминать, какой красавицей река была раньше.
Затем мы проехали через верховья Максимовки, остановились «перекурить» на мосту через Джигду (Безымянную).
Отсюда отходит сворот к знаменитым Амгинским водопадам. Теперь здесь тоже толпы автотуристов, а когда-то мы летели в Амгу на самолёте, затем шли пешком, чтобы увидеть это чудо природы. Да, конечно здорово, что много людей может приобщиться к прекрасному, что теперь сюда могут добраться дети и пожилые люди. Но, положа руку на сердце, мне бы не хотелось превращения этого каньона в ухоженный парк, с вымощенными дорожками, мостками и скамейками. Всего этого хватает по соседству с Приморьем – в Японии, Корее и Китае.
Я убеждён, что должны оставаться нетронутые человеком уголки природы, где можно физически ощутить, каким был мир до появления человека, где хочется побыть наедине с водопадами и величественными утёсами в обрамлении вековой тайги. И где их сохранять, как не в огромной России!
На самой верхушке Амгинского перевала дорога раздвоилась. Мы проехали по более короткой, но крутой дороге. Пронеслись мимо сворота в Тёплый Ключ, где расположена водолечебница, и вскоре въезжали в Амгу.
Амгу – село на берегу Японского моря с населением 770 человек. Это самый далёкий от краевого центра населённый пункт, до которого можно проехать по относительно хорошей дороге, на любом легковом автомобиле. До Владивостока отсюда без малого 900 км. Две улицы протянулись на километр параллельно берегу, да несколько небольших улиц поперёк. Все строения одноэтажные. Асфальта, конечно, нигде нет.
Больше всего в Амгу нас интересовала заправка. От бензина сейчас зависел весь успех нашего предприятия.
АЗС в Амгу находится на видном месте, на перекрёстке основных дорог.
Наши УАЗики лихо подрулили к пустующей заправке, водители открыли бочки и баки, Василий Андреевич полез в кошелёк за деньгами. Студенты гурьбой высыпали из машины, чтобы размяться и охладиться под прохладным морским ветерком. Через пару минут всех опечалил оператор заправки – больше 400 литров нам не зальют. Что ж, надо было заправляться под завязку в Тернее. У нас, правда, теплилась надежда договориться с руководством «Тернейлеса», приобрести бензин в Светлой. Но всё же, в результате переговоров с администрацией АЗС, удалось увеличить наш «паёк» до 600 л.
Пока проходил этот непростой процесс заправки, совмещённый с деловыми переговорами, я сбегал к берегу моря с фотоаппаратом. В Амгу расположен обширный песчаный пляж, длиной два с половиной километра, которому могут позавидовать множество курортных посёлков.
Пляж широкий, крайние дома села расположены далеко от него. Когда-то на нём складировали лес перед отправкой.
Огромные брёвна, выцветшие и полузанесённые песком, до сих пор можно встретить то здесь, то там. Кроме того, во множестве валяется плавник – принесённые наводнениями деревья. Песчаный пляж обращён к открытому морю, здесь нередки штормовые волны. Вода прогревается плохо, чего не скажешь о песке. Несмотря на прохладный ветер, песок под ярким солнцем нагрелся очень хорошо.
Обычно, конец июля в Приморье – это уже купальный сезон. Но здесь, у «ворот» Татарского пролива не было видно ни одной машины, ни одной палатки. Да и по наличию большого количества не сожжённого в кострах плавника можно было судить о том, что туристический бум, охвативший пляжи южного Приморья, до сюда не добрался. Лишь несколько взрослых местных жителей с маленькими детьми пришли поваляться на песочке и принять солнечные ванны. И ещё стадо коров, спасаясь от надоедливых мух, вышло к самой кромке прибоя.
На заправке последние литры бензина переливались в «ненасытные» двухсотлитровые бочки.
На вопрос студентов «Ну как там на пляже?» последовал восторженный и вполне искренний ответ:
— Здорово! Там столько тёлок!
Единогласно было решено отправиться сначала пообедать на пляж, прежде чем продолжать путь. В магазине купили целую гору пирожков, несколько огромных булок хлеба местной выпечки, пива и колбасы. Расселись на большом бревне и с аппетитом пообедали. Купаться никто не полез. Хватило зайти всего лишь по щиколотку в воду, чтобы понять, что купальный сезон здесь если и начнётся, то не раньше августа. Лишь Эдуард Иваныч, которого разгорячило холодное пиво, решил охладиться в море. Остальные смотрели на него с содроганием.
| 1. | Брюханова Ирина Анатольевна | учитель ИЗО и черчения | соответствие занимаемой должности |
| 2. | Бакум Наталья Анатольевна | методист | соответствие занимаемой должности |
3. | Гонштеин Денис Петрович | учитель физкультуры | соответствие занимаемой должности |
| 4. | Данченко Евгения Владимировна | учитель географии | соответствие занимаемой должности |
| 5. | Демидас Алёна Викторовна | педагог-психолог | соответствие занимаемой должности |
| 6. | Демьяненко Александр Евгеньевич | педагог проектной деятельности | соответствие занимаемой должности |
| 7. | Двоерядкина Наталья Николаевна | учитель математики | доцент, к.пед.н. |
| 8. | Дубинина Людмила Геннадьевна | учитель математики | учитель I категории |
| 9. | Дябкин Игорь Анатольевич | учитель русского языка, литературы и МХК | доцент, к.философ.н. |
10. | Ерёмина Виктория Владимировна | учитель математики | доцент, к.физ-мат.н. |
| 11. | Жмуркова Карина Евгениевна | учитель истории и обществознания | соответствие занимаемой должности |
| 12. | Закирова Юлия Анатольевна | учитель физики | соответствие занимаемой должности |
| 13. | Замятина Алена Викторовна | учитель английского языка | соответствие занимаемой должности |
| 14. | Иванашко Юлия Петровна | учитель английского языка | соответствие занимаемой должности |
| 15. | Козюра Виктория Евгеньевна | учитель математики | соответствие занимаемой должности |
| 16. | Кокамбо Юлия Дмитриевна | учитель обществознания | соответствие занимаемой должности |
17. | Лапин Андрей Валерьевич | учитель истории | соответствие занимаемой должности |
| 18. | Левченко Анна Александровна | учитель русского языка и литературы | соответствие занимаемой должности |
| 19. | Лескова Светлана Анатольевна | учитель биологии | доцент, к.хим.н. |
| 20. | Лясковская Яна Викторовна | учитель китайского языка | соответствие занимаемой должности |
| 21. | Мишаченко Константин Геннадьевич | учитель информатики | соответствие занимаемой должности |
| 22. | Мусиенко Алексей Валентинович | учитель истории и обществознания | соответствие занимаемой должности |
| 23. | Назаренко Валерия Романовна | учитель русского языка и литературы | соответствие занимаемой должности |
24. | Назаренко Наталья Викторовна | учитель информатики | соответствие занимаемой должности |
| 25. | Охотникова Галина Генриховна | учитель химии | доцент, к.хим.н. |
| 26. | Павельчук Анна Владимировна | учитель математики и информатики | к.физ-мат.н. |
| 27. | Полица Юлия Михайлова | учитель музыки | соответствие занимаемой должности |
| 28. | Рычкова Евгения Сергеевна | учитель экономики | доцент, к.экон.н. |
| 29. | Сарина Галина Васильевна | учитель китайского языка | соответствие занимаемой должности |
| 30. | Темников Валентин Сергеевич | учитель физики и естествознания | соответствие занимаемой должности |
31. | Пашегорова Анна Вячеславовна | педагог-организатор | соответствие занимаемой должности |
| 32. | Трубникова Алёна Владимировна | учитель иностранных языков | соответствие занимаемой должности |
| 33. | Шумилин Илья Викторович | учитель плавания | соответствие занимаемой должности |
| 34. | Яцевич Любовь Павловна | учитель немецкого языка | доцент, к.пед.н. |
Применение компьютерного зрения к обнаружению вагонов
Применение обнаружения объектов с помощью Orbital Insight GO
Кортни Лейман
90 002 В Orbital Insight мы создали платформу под названием GO, которая объединяет данные дистанционного зондирования с обучение. Это позволяет пользователям выбирать любое место в мире и анализировать активность с течением времени, используя наши встроенные алгоритмы компьютерного зрения и геолокации.
Наша команда компьютерного зрения в Orbital Insight занимается созданием алгоритмов для обнаружения различных объектов на изображениях дистанционного зондирования по всему миру. Например, в недавнем проекте мы использовали спутниковые снимки высокого разрешения от Planet, поставщика глобальных ежедневных данных и информации о Земле, для создания детектора вагонов. Эта модель была заказана одним из наших клиентов и предназначена для предоставления информации об экономической деятельности в разных странах в сочетании с детектором судов и самолетов.
Этот проект столкнулся с захватывающими проблемами, такими как сильно сгруппированные объекты, ограниченные данные для обучения и неотличимый внешний вид от других объектов над головой. Поскольку изображения SkySat являются оптическими, нам также приходилось учитывать различные погодные условия, атмосферные условия и тени на наших изображениях. Несмотря на эти природные явления, мы смогли обойти эти препятствия и разработать модель, которая точно предсказала 74% вагонов в нашем тестовом наборе.
На изображении слева показаны наши наземные истинные полигоны на железнодорожной станции в Бруклине, штат Иллинойс. На изображении справа показаны обнаружения нашей модели на этой железнодорожной станции. Было обнаружено 150 истинно положительных, 6 ложноположительных и 6 ложноотрицательных результатов.
Данные
Детектор вагонов был обучен на изображениях Planet с высоким разрешением SkySat, которые доступны по всему миру с разрешением 50 см. Мы использовали красную, зеленую и синюю полосы из их ортовизуального продукта, который подвергся панорамированию и ортотрансформированию. Мы использовали изображения только после апреля 2020 года, когда разрешение объектов было изменено до 0,5 метра в пикселях. Расстояние выборки земли (GSD) на этих изображениях варьируется от 0,5 до 0,85 метра в зависимости от угла отклонения от надира.
Мы сами создали данные для обучения, используя в качестве отправной точки глобальный набор данных о местонахождении железнодорожных станций.
Вокруг каждого вагона были нарисованы многоугольники, а метки разделены на 3 категории: пассажирский, платформа и вагон. Несмотря на то, что существует больше типов вагонов, включая локомотивы, открытые топперы и вагоны-цистерны/катушки, комментаторы обнаружили, что на снимках SkySat трудно различить эти типы вагонов, поэтому мы сгруппировали их в общую категорию «вагоны».
Моделирование
Для обучения модели использовался API Tensorflow Object Detection. У нас была некоторая гибкость в определении того, рассматривать ли это как модель обнаружения ключевой точки или ограничивающей рамки, поэтому мы экспериментировали с алгоритмами CenterNet и Mask R-CNN. В конце концов, у нас были лучшие результаты с Mask-RCNN, а выходные данные повернутых ограничительных рамок обеспечили большую гибкость для различных вариантов использования, так что это была наша окончательная модель. Из-за дисбаланса высокого класса у модели были проблемы с различением разных типов вагонов (платформы, пассажирские вагоны и т.
д.), поэтому в итоге мы рассмотрели это как проблему одного класса.
Проблемы
Вагоны, как правило, сильно скапливаются на железнодорожных станциях, поэтому это оказалось проблемой, так как некоторые из сцен с большим количеством скоплений могли занимать больше часа, чтобы аннотировать. Наш набор данных состоял из 30 000 вагонов в 335 сценах SkySat. На некоторых из этих изображений была показана одна и та же железнодорожная станция в разное время года, поэтому наш набор данных охватывал только 141 конкретную железнодорожную станцию. Хотя в нашем наборе данных было много вагонов, изображений и географического разнообразия было немного.
На этом изображении показана аннотированная железнодорожная станция в Будапеште, Венгрия, которая содержит 848 вагонов. Вагоны отмечены зеленым цветом, а платформы — красным.
При использовании оптических изображений для компьютерного зрения погода всегда является препятствием. Объекты имеют тенденцию смешиваться, когда атмосфера полна водяного пара и других частиц, что затрудняет их выделение моделями.
Из-за теней и дымки было трудно отличить вагоны от путей на некоторых изображениях в нашем наборе данных. Даже на изображениях с высоким разрешением было сложно определить разделение между вагонами на некоторых изображениях. Если человеческий глаз не может разглядеть вагон, то, скорее всего, у алгоритма компьютерного зрения тоже возникнут проблемы.
На этих изображениях показана железнодорожная станция в Ливорно, Италия, с аннотациями и без них. Вагоны отмечены зеленым цветом, а платформы — красным. На этих изображениях трудно разобрать границы вагонов.
Еще одна проблема с железнодорожными вагонами заключается в том, что они не имеют отличительной формы или цвета по сравнению со многими другими объектами над головой. Поскольку поезда часто используются для перевозки материалов, контейнеры и грузовики для дальних перевозок часто располагаются на железнодорожных станциях, и они очень похожи на вагоны с разрешением 0,5 метра, что приводит к ложным срабатываниям.
На изображении слева показаны наши наземные полигоны истинности на железнодорожной станции в Армении. На изображении справа показаны обнаружения нашей модели на этой железнодорожной станции с несколькими обнаруженными ложными срабатываниями грузовиков дальнего следования.
Решения
Для решения проблем, связанных со сгруппированными объектами, погодными препятствиями и ложными срабатываниями, мы провели три кампании по маркировке, чтобы получить больше обучающих данных и увеличить разнообразие набора данных в ходе проекта. Каждая кампания с лейблом обеспечивала значительное повышение производительности модели с повышением оценки F1 на 3-5 пунктов с каждой дополнительной кампанией.
При низком разнообразии наборов данных важно не только получить как можно больше обучающих данных, но и убедиться, что метаданные изображения, размеры вагона, погода и параметры сезонности равномерно распределены по поездам, проверочным и тестовым наборам.
Мы разделили набор данных по железнодорожным станциям, а не по сценам изображения, чтобы убедиться, что железнодорожные станции не были разделены на наборы, что привело бы к утечке данных.
Из-за нашей схемы мозаичного изображения изображения в нашем наборе данных имели постоянную высоту, но переменную ширину в зависимости от того, насколько они были удалены от экватора. Различные размеры изображений могут быть проблемой, поскольку алгоритмы компьютерного зрения будут изменять размер изображений в пакетном режиме до одинакового размера. В моделях на основе привязки, таких как Mask R-CNN, изменение размера может привести к тому, что объекты на изображении станут намного больше или меньше в зависимости от исходного размера изображения, что означает, что указанные поля привязки могут больше не соответствовать объектам с измененным размером. Из-за этого мы использовали метод разделения на основе сетки, чтобы разрезать сцены на фрагменты одинакового размера с точки зрения количества пикселей, чтобы все наши изображения и объекты сохраняли одинаковый размер.
Благодаря нескольким рекламным кампаниям, многочисленным экспериментам по настройке моделей и инновационным идеям команды компьютерного зрения Orbital Insight детектор вагонов смог достичь на тестовом наборе оценки F1 0,755. Представьте, что может обнаружить для вас команда Orbital Insight — самолеты, транспортные средства, танки и т. д.!
Чтобы увидеть, как эта модель работает в дикой природе, посетите нашу платформу GO и закажите индивидуальную демонстрацию!
Что такое Autorack Rail Car?
Узнайте больше о железнодорожном оборудовании для перевозки легковых и грузовых автомобилей, внедорожников и т. д.
Узнайте больше об автоэвакуаторах и о том, как они перевозят готовые автомобили по железной дороге.
Вы видели, как готовые автомобили перевозят по дороге на больших грузовиках-эвакуаторах, но знаете ли вы, что они также путешествуют поездом?
Фактически, грузовые железнодорожные перевозки ежегодно перевозят почти 75% новых автомобилей и легких грузовиков, приобретаемых в США.
По данным Ассоциации американских железных дорог (AAR), только в 2019 году автопроизводители продали в Соединенных Штатах 17 миллионов автомобилей и легких грузовиков, что стало возможным благодаря грузовым железным дорогам и более крупной интегрированной транспортной сети.
Излишне говорить, что железнодорожные перевозки играют большую роль в доставке автомобилей, которыми мы ездим. Итак, какое железнодорожное оборудование помогает перевозить готовые автомобили из пункта отправления в пункт назначения? Ответ: автостойка.
Чтобы узнать больше обо всем, что связано с автобагажниками и о том, как они безопасно перевозят автомобили, грузовики, внедорожники и другие транспортные средства, читайте дальше.
Для чего используется Autorack?
Авторэкет предназначен для отгрузки по железной дороге автомобилей отечественного и импортного производства, в том числе легковых, грузовых, внедорожников и микроавтобусов.
Как выглядит Autorack?
Двухуровневый автополк
Автополк выполнен из металла и полностью закрыт для защиты автомобилей от непогоды.
Металлические «стойки» внутри создают уровни (также называемые «палубами») внутри железнодорожного вагона. Наличие нескольких уровней внутри железнодорожных вагонов максимально увеличивает пространство для перевозки, позволяя безопасно штабелировать транспортные средства во время транспортировки, не вызывая повреждения транспортного средства.
Какие существуют типы вагонов Autorack?
Существует несколько типов автомобильных багажников, предназначенных для перевозки транспортных средств различных размеров: двухуровневые, трехуровневые и одноуровневые. Автостойки полностью закрыты, что существенно снижает ущерб от кражи, вандализма и непогоды.
- AutoMax — Регулируемая высота платформы позволяет использовать двухуровневую или трехуровневую конфигурацию. Выдерживает высокие коэффициенты загрузки транспортных средств, включая автомобили, грузовики, микроавтобусы и микроавтобусы (вмещает до 26 автомобилей).
- Bi-Level — Вмещает два этажа транспортных средств, включая грузовики, внедорожники и минивэны (вмещает до 10 автомобилей).
- Трехуровневый — Вмещает три палубы седанов. (вмещает до 15 автомобилей).
- Uni-Level — Одна платформа позволяет загружать готовые транспортные средства, такие как седельные тягачи, сельскохозяйственные орудия, транспортные средства для отдыха, автобусы и двухэтажные автобусы (вмещает до четырех автомобилей).
Как загружается и разгружается Autorack?
Как работает погрузка на автопоезд
Транспортные средства загружаются на автопоезда и снимаются с них с помощью переносных пандусов, которые позволяют въезжать на железнодорожный вагон или выезжать из него. Помня о безопасности, автомобили загружаются на очень низкой скорости, чтобы избежать повреждений.
После того, как транспортное средство загружено в железнодорожный вагон, специалисты по авторампе закрепляют каждое колесо в вагоне с помощью специальных ремней или клиньев, чтобы надежно удерживать его на месте во время перевозки.
Грузоотправители могут положиться на AAR в отношении установленных инструкций, схем погрузки и ресурсов для безопасной перевозки.
Автомобильная промышленность и AAR тесно сотрудничают, чтобы проектировать, разрабатывать и постоянно улучшать способы доставки автомобилей. Как всегда, важно проконсультироваться с железной дорогой перед отправкой любого продукта, чтобы убедиться, что он правильно загружен, закреплен и соответствует требованиям AAR.
Как работает разгрузка вагона автоэстакады
По прибытии на авторампу рядом с конечным пунктом назначения вагон проверяется, затем выгружается из вагона и паркуется в выделенном отсеке на складской площадке. Как правило, после визуального осмотра автоперевозчик забирает автомобиль, а другие направляются в тот же автосалон. После того, как автомобиль благополучно прибыл и разгружен в автосалоне, его в последний раз осматривают, чтобы убедиться в отсутствии царапин, вмятин или вмятин.
Интерьер автостойки
Как изменилась автостойка за прошедшие годы?
Два сотрудника Union Pacific осматривают автомобили, загруженные в двойной штабель, переоборудованный крытый вагон в 1950-х годах.
С тех пор, как в начале 1900-х годов с конвейера сошла первая модель «Т», железнодорожные перевозки играли важную роль в доставке автомобилей по всей стране и за границу.
Вплоть до 1960-х годов на железных дорогах обычно использовались модифицированные крытые вагоны, оснащенные стеллажами, установленными для перевозки нескольких транспортных средств. Поскольку спрос на новые автомобили рос и чтобы оставаться конкурентоспособными по сравнению с грузовиками, одновременно перевозящими по дороге шесть и более автомобилей, железные дороги разработали новый железнодорожный вагон, предназначенный для перевозки готовых автомобилей. Новая конструкция железнодорожного вагона могла вмещать 10 и более транспортных средств, что позволяло производителям автомобилей перевозить большое количество автомобилей в одном поезде. Так родилась «авторама». Дизайн автоэстакады развивался с годами и стал сегодня одним из наиболее широко используемых элементов рельсового оборудования.
Почему грузоотправители используют авторэки?
Kenosha Auto Transport [K.
A.T.] № 8417, загруженный 6 автомобилями и прикрепленный к автопоезду, построенному в апреле 1960 года. можно было снять с трейлерного поезда и перевезти грузовиком.
Существует множество причин, по которым грузоотправители используют автоэвакуаторы для перевозки готовых автомобилей.
- Эффективность – Авторэки позволяют грузоотправителям одновременно перемещать большое количество транспортных средств. Благодаря конструкции автобагажника некоторые из них могут одновременно перевозить до 26 автомобилей, в то время как грузовики обычно перевозят до девяти автомобилей одновременно. Многие автопроизводители используют железнодорожный транспорт для перевозки больших партий автомобилей в стратегически расположенные центры распределения автомобилей и координируют доставку последней мили до конечного пункта назначения с помощью грузовика.
- Гибкость . Автобагажники бывают разных размеров для перевозки различных автомобилей, в том числе седанов, грузовиков и внедорожников.
