JAMOAT JOYLARIDA MAYDA MA'MURIY HUQUQBUZARLIKLAR VA ULARNI SUN'IY INTELLEKT ALGORITMLARI ASOSIDA AVTOMATIK MONITORING QILISH TIZIMI TAHLILI

THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 260 JAMOAT JOYLARIDA MAYDA MA’MURIY HUQUQBUZARLIKLAR VA ULARNI SUN’IY INTELLEKT ALGORITMLARI ASOSIDA AVTOMATIK MONITORING QILISH TIZIMI TAHLILI Botirov Z. Sh., Hamzayev J. F. Muhammad al-Xorazmiy nomidagi TATU https://doi.org/10.5281/zenodo.17767928 Annotatsiya. So‘nggi yillarda urbanizatsiya jarayonining jadallashuvi va aholining transport vositalaridan keng foydalanishi natijasida jamoat joylarida mayda ma’muriy huquqbuzarliklar soni keskin ortib bormoqda. Xususan, taqiqlangan hududlarda tamaki mahsulotini chekish, ahlatni noqonuniy tashlash va piyodalar tomonidan telefondan foydalanib yo‘l kesib o‘tish holatlari nafaqat shahar estetikasi va ekologik muvozanatga, balki fuqarolarning xavfsizligiga ham jiddiy zarar yetkazmoqda. Bunday xatti-harakatlar natijasida atrof-muhitning ifloslanishi, jamoat tartibining buzilishi, yo‘l-transport hodisalari xavfining ortishi hamda ma’muriy organlar faoliyatining samarasizligi kuzatilmoqda. Ayni paytda ushbu huquqbuzarliklarni qo‘lda nazorat qilish katta mehnat va moddiy resurs talab etadi, an’anaviy nazorat mexanizmlari esa mavjud infratuzilma sharoitida samaradorlikni ta’minlay olmayapti. Ushbu maqolada real vaqt rejimida ishlaydigan sun’iy intellekt asosidagi yagona axborot tizimlari tahlil qilinadi. Tizim kuzatuv (CCTV) kameralaridan olingan tasvirlarni kompyuter ko‘rish (computer vision) va chuqur o‘rganish (deep learning) algoritmlari yordamida tahlil qilib, mayda ma’muriy huquqbuzarliklarni xususan, tamaki mahsulotlarini chekish, ahlat tashlash va telefonda yurish holatlarini avtomatik tarzda aniqlaydigan tizimlar ko‘rib chiqilgan. Aniqlangan holatlar bo‘yicha tizim voqea joyi, vaqti va dalillarni jamlab, tegishli tashkilotlarga avtomatik tarzda xabar yuboradigan tizim ishlab chiqish rejalashtirilgan. Maqolada YOLOv5, DeepSORT va ikki tarmoqli konvolyutsion neyron tarmoqlar (Two-Branch CNN) asosida qurilgan modellar samaradorligi tahlil qilingan. Tadqiqot natijalari shuni ko‘rsatadiki, sun’iy intellektga asoslangan bunday tizimlar ma’muriy huquqbuzarliklarni tezkor aniqlash, jamoat xavfsizligini mustahkamlash hamda shahar boshqaruvini raqamlashtirishda muhim ahamiyat kasb etadi. Kalit so‘zlar: Ma’muriy huquqbuzarliklar, jamoat xavfsizligi, sun’iy intellect, real vaqt rejimida kuzatuv, chuqur o‘rganish, kompyuter ko‘rish, kuzatuv tizimi, YOLO, CNN. Аннотация. В последние годы вследствие ускоряющихся процессов урбанизации и широкого использования транспортных средств населением количество мелких административных правонарушений в общественных местах стремительно растёт. В частности, случаи курения табачных изделий в запрещённых зонах, незаконного выбрасывания мусора и перехода дороги пешеходами при использовании мобильного телефона наносят серьёзный ущерб не только городской эстетике и экологическому равновесию, но и безопасности граждан. Подобные действия приводят к загрязнению окружающей среды, нарушению общественного порядка, повышению риска дорожнотранспортных происшествий, а также снижению эффективности деятельности административных органов. В то же время ручной контроль таких правонарушений требует значительных трудовых и материальных ресурсов, а традиционные механизмы надзора не обеспечивают должной эффективности в условиях существующей THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 261 инфраструктуры. В данной статье анализируются единые информационные системы, работающие в режиме реального времени на основе искусственного интеллекта. Рассматриваются системы, которые с использованием алгоритмов компьютерного зрения и глубокого обучения анализируют изображения, полученные с камер видеонаблюдения (CCTV), и автоматически выявляют мелкие административные правонарушения, в частности случаи курения, выбрасывания мусора и движения пешеходов с использованием телефона. По выявленным случаям система формирует сведения о месте, времени и доказательных материалах, после чего автоматически направляет уведомление соответствующим организациям. В статье проанализирована эффективность моделей, построенных на основе YOLOv5, DeepSORT и двухветвевых сверточных нейронных сетей (Two-Branch CNN). Результаты исследования показывают, что такие системы на базе искусственного интеллекта имеют важное значение для оперативного выявления административных правонарушений, укрепления общественной безопасности и цифровизации городского управления. Ключевые слова: административные правонарушения, общественная безопасность, искусственный интеллект, видеонаблюдение в реальном времени, глубокое обучение, компьютерное зрение, система наблюдения, YOLO, CNN. Kirish So‘nggi yillarda yirik shaharlarning tez sur’atlarda kengayishi, transport vositalari sonining ortishi va aholining hayot tarzi o‘zgarishi natijasida jamoat xavfsizligi bilan bog‘liq yangi muammolar paydo bo‘ldi. Ayniqsa, mayda ma’muriy huquqbuzarliklar masalan, taqiqlangan joylarda tamaki mahsulotlarini chekish, ahlatni noqonuniy tashlash va piyodalar tomonidan telefondan foydalanib yo‘l kesib o‘tish, shahar madaniyati va fuqarolik intizomiga salbiy ta’sir ko‘rsatmoqda. BMT ma’lumotlariga ko‘ra, har yili dunyo bo‘yicha 1,3 milliondan ortiq yo‘ltransport hodisalari inson omili bilan bog‘liq bo‘lib, ularning muayyan qismi piyodalar e’tiborsizligi tufayli sodir bo‘ladi. Telefon orqali yozish yoki o‘yin o‘ynash kabi chalg‘ituvchi omillar piyoda e’tiborini pasaytirib, o‘z hayoti va atrofdagilarning xavfsizligini xavf ostiga qo‘yadi. Piyodalar orasida telefon bilan yurish (distracted walking) xatti-harakati haqida so‘rovlar shuni ko‘rsatadiki, turli shaharlarda piyodalar 60 % atrofida telefonni qo‘lida tutib yurishlarini, 25 % atrofida esa yozish yoki ekran bilan interaktiv holatda bo‘lishlarini tan olgan. [1] THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 262 1-rasm. 2005–2010 yillar oralig‘ida mobil telefon ishlatgan holda yurish natijasida jarohatlanib, shoshilinch yordam bo‘limiga murojaat qilgan piyodalar sonining keskin o‘sishini ko‘rsatadi. [2] Bundan tashqari, noqonuniy ahlat tashlash holatlari ham ekologik muvozanat va shahar estetikasiga zarar yetkazmoqda. AQShda o‘tkazilgan tadqiqotlarga ko‘ra, yiliga 178 milliard AQSh dollari noqonuniy chiqindilarni tozalashga sarflanadi, bu esa har bir tonna chiqindi uchun taxminan 600 dollar xarajat degani. Bu kabi holatlar nafaqat iqtisodiy, balki ijtimoiy muammolarni ham keltirib chiqarmoqda. Shu bilan birga, noqonuniy ahlat tashlash (illegal dumping) bilan bog‘liq holatlar Britaniyada 2023/24 moliya yilida 1.15 millionga yaqin holatni tashkil etgan. [3] Toshkentda 2024-yilda ahlatni noqonuniy joyga tashlash bo‘yicha 2 226 ta huquqbuzarlik aniqlangani ma’lum. [4] O‘zbekiston rasmiylari va yangilik manbalariga ko‘ra, 2025 yilning birinchi yarmida onlayn kuzatuv kameralari orqali minglab holatlar aniqlangan (manba: hukumat xabari, birinchi yarim yilda bir nechta ming holat, shuningdek 2025 yil davomida 14,728 ta holat haqida xabarlar paydo bo‘lgan). Ushbu ma’lumotlar mahalliy monitoringning samaradorligi va hamon muammo miqyosini ko‘rsatadi. [5] Shu sababli, bunday huquqbuzarliklarni o‘z vaqtida aniqlash va ularga tezkor chora ko‘rish masalasi dolzarb bo‘lib qolmoqda. 2-rasm. 2025-yilning birinchi yarmida O‘zbekiston hududlarida aniqlangan noqonuniy chiqindi tashlash holatlarining taqsimoti ko‘rsatilgan. Ma’lumotlarga ko‘ra, eng ko‘p holatlar Toshkent shahrida qayd etilgan bo‘lib, undan keyin Samarqand va Farg‘ona viloyatlari o‘rin olgan. An’anaviy nazorat usullari (inspektorlar, qo‘lda tekshirish, reydlar) katta vaqt va inson resursini talab qiladi, shuningdek, har doim ham samarali natija bermaydi. So‘nggi yillarda “Smart City” konsepsiyasi doirasida avtomatlashtirilgan kuzatuv tizimlari keng joriy etilmoqda. Xususan, “Smart City Community Watch” [6] loyihasi kameralar yordamida noqonuniy chiqindilar va yo‘l harakati qoidabuzarliklarini real vaqt rejimida aniqlash imkonini berdi. Shu bilan birga, mavjud tizimlarning aksariyati faqat bitta turdagi xatti-harakatga THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 263 yo‘naltirilgan bo‘lib, ular ko‘p holatli (multi-behavioral) huquqbuzarliklarni aniqlashga to‘liq mos emas. Shuningdek, ko‘pchilik ishlanmalarda dalillarni jamlash va ularni ma’muriy tashkilotlarga uzatish mexanizmi yetarlicha integratsiyalashmagan. Mazkur tadqiqotning maqsadi, CCTV tasvirlarini real vaqt rejimida tahlil qilib, mayda ma’muriy huquqbuzarliklarni (telefon bilan yurish, ahlat tashlash, tamaki mahsulotlarini chekish) avtomatik aniqlash, dalillarni jamlash va tegishli tashkilotlarga uzatishni ta’minlaydigan mavjud axborot tizimlarini tahlil qilib chiqishdir. Tadqiqot doirasida kompyuter ko‘rish, obyektni aniqlash (YOLOv5), kuzatuv (DeepSORT) va konvolyutsion neyron tarmoqlar texnologiyalarini ko‘rib chiqamiz. Materiallar va usullar So‘nggi yillarda sun’iy intellekt (SI) texnologiyalarining rivojlanishi mayda ma’muriy huquqbuzarliklarni aniqlashda samarali natijalar bermoqda. YOLO oilasi (You Only Look Once) [12] 3-rasm. Bu infografika YOLO (You Only Look Once) algoritmining evolyutsiyasini (yillar bo‘yicha rivojlanishini) ko‘rsatadi Xususan, jamoat joylarida ahlat tashlash, taqiqlangan hududlarda chekish yoki piyodaning mobil telefon bilan yo‘lni kesib o‘tishi kabi xatti-harakatlarni aniqlash uchun kompyuter ko‘rish (computer vision) [7] va chuqur o‘rganish (deep learning) [8] texnikalari keng qo‘llanilmoqda. Bu jarayonlarda asosan konvolyutsion neyron tarmoqlar (CNN) [9], obyekt deteksiya (object detection) [10] va obyekt kuzatuv (object tracking) [11] algoritmlarining kombinatsiyasi ishlatiladi. Quyida ushbu modellarning texnik asoslari, evolyutsiyasi va amaliy samaradorligi tahlil qilinadi. YOLO modeli real vaqt rejimida ishlovchi eng mashhur obyekt aniqlash algoritmlaridan THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 264 biridir. Ushbu oilaning asosiy g‘oyasi, tasvirdan obyektlarni bitta o‘tishda aniqlash, ya’ni “bir qarashda” natija olishdir. Birinchi versiya, YOLOv1 (2016-yil) [13] tasvirni gridlarga bo‘lib, har bir qismda obyekt mavjudligini taxmin qilgan. Keyingi versiyalar bosqichma-bosqich aniqlik, tezlik va moslashuvchanlikni oshirib bordi. YOLOv2 (YOLO9000) [14] anchor-box mexanizmini joriy qilib, turli o‘lchamdagi obyektlarni yaxshiroq aniqlash imkonini berdi. YOLOv3 [15] Darknet-53 arxitekturasi asosida ishlaydi va multi-scale deteksiya imkonini yaratdi. YOLOv4 [16] va YOLOv5 [17] esa real vaqt monitoringi uchun optimallashtirilgan bo‘lib, ularda CSPDarknet, Mosaic Augmentation, CIoU loss kabi texnik yangiliklar joriy etilgan. Bugungi kunda eng samarali versiyalardan biri bo‘lgan YOLOv8 [18] (2023) nafaqat deteksiya, balki segmentatsiya va klassifikatsiya funksiyalarini ham bitta modelda bajaradi. Ushbu arxitektura anchorless yondashuv va PyTorch bazasida yaratilgan bo‘lib, uni real tizimlarga integratsiya qilish oson. YOLOv8 modeli chiqindi tashlash, chekish yoki mobil telefon bilan harakatlanish kabi huquqbuzarliklarni aniqlashda 94-97% aniqlikka erishganligi bilan ajralib turadi. 4-rasm. YOLO orqali rasmdagi obyektlarni tanib olish Faster R-CNN va Mask R-CNN [19] YOLO oilasidan farqli ravishda, bu modellarda ikki bosqichli deteksiya (two-stage detection) yondashuvi qo‘llaniladi. Faster R-CNN avvalo tasvirdan potensial obyektlar joylashgan regionlarni topuvchi Region Proposal Network (RPN) ni ishlatadi, keyin esa har bir regionni klassifikatsiya qiladi. Mask R-CNN esa ushbu arxitekturaga piksel darajasidagi segmentatsiyani qo‘shgan. Bu yondashuv, masalan, tutun, siqilgan tamaki mahsulotlari yoki plastik butilka kabi kichik, noaniq obyektlarni aniq ajratishda samarali. Shu bilan birga, segmentatsiya moduli chiqindi turi yoki joylashuvini aniqlab, daliliy vizual isbot sifatida foydalanish imkonini beradi. Biroq bu modellar hisoblash jihatdan murakkab bo‘lgani sababli real vaqt rejimida emas, balki offline analiz uchun ko‘proq mos keladi. SSD va EfficientDet [20] Single Shot Detector (SSD) modeli ham bir bosqichli deteksiya oilasiga mansub bo‘lib, u tasvirning turli rezolyutsiyadagi xususiyat xaritalarida aniqlash jarayonini olib boradi. EfficientDet esa EfficientNet backbone va BiFPN (Bidirectional Feature Pyramid Network) THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 265 arxitekturasiga asoslanadi. Bu model resurs sarfini kamaytirgan holda yuqori aniqlikka erishadi. Shu sababli, u mobil kameralar, kichik serverlar yoki shahar kuzatuv punktlarida o‘rnatilgan edge AI tizimlari uchun eng maqbul variant hisoblanadi. Obyekt kuzatuv algoritmlari Deteksiya modelining chiqishi odatda bitta kadr uchun obyektni aniqlaydi. Ammo real tizimda obyektni vaqt bo‘yicha kuzatish muhim. Shu maqsadda DeepSORT (Simple Online and Realtime Tracking) [21], ByteTrack [22], OC-SORT [23] kabi algoritmlar qo‘llaniladi. DeepSORT detektor tomonidan aniqlangan obyektlarning kadrlar oralig‘idagi pozitsiyasini kuzatadi va ularga unique ID biriktiradi. Bu, masalan, biror insonning ahlatni qo‘lida olib yurib, keyin uni tashlab ketganini aniqlash uchun zarur. ByteTrack esa yolg‘on-ijobiy deteksiyalarni kamaytirish orqali kuzatuv aniqligini 90% dan yuqoriga oshiradi. 5-rasm. DeepSORT aniqlangan obyektlarning kadrlar oralig‘idagi pozitsiyasini kuzatishi. Bunday kuzatuv algoritmlarining integratsiyasi yordamida AI nazorat tizimi axborotni ketma-ketlikda tahlil qiladi, natijada harakat ketma-ketligi (masalan, paketni ko‘tarish, konteyner yaqinlashish, paket yo‘qolishi) asosida huquqbuzarlikni aniqlaydi. Amaliy yechimlar va istiqbollar Hozirda YOLOv5–v8 va DeepSORT kombinatsiyasida yaratilgan tizimlar 60 FPS tezlikda ishlay oladi va har bir voqeani 0,3 soniya ichida aniqlay oladi. Bu yondashuv an’anaviy inson kuzatuv tizimlaridan 20 baravar tez va 4 baravar aniqroq ekanligi aniqlangan. Shu bilan birga, Edge AI [24] integratsiyasi katta hajmdagi videoma’lumotlarni tarmoqqa uzatmasdan, bevosita kameraning o‘zida tahlil qilish imkonini beradi. Bu nafaqat tizim tezligini oshiradi, balki ma’lumot maxfiyligini ham ta’minlaydi. Umuman olganda, ushbu texnik yechimlar, YOLO oilasi, R-CNN variantlari, SSD/EfficientDet, hamda DeepSORT kabi kuzatuv algoritmlari, birgalikda ishlaganda real vaqt rejimida kichik huquqbuzarliklarni aniqlovchi, tahlil qiluvchi va dalillarni jamlovchi yagona intellektual axborot tizimini shakllantiradi. Yuqoridagi keltirilgan algoritimlardan foydalangan holda, biz piyodalarning mobil telefonlar bilan chalg‘igan xatti-harakatlarini aniqlash sohasida amalga oshirilgan muhim ishlarni ko‘rib chiqamiz va ularning yondashuvlari, foydalanilgan algoritmlari hamda erishgan natijalarini taqqoslaymiz. O‘rganilayotgan ishlar: 1. “Detecting phone-related pedestrian distracted behaviours via a two-branch convolutional neural network” (ikki tarmoqli CNN orqali telefonga bog‘liq piyodalar chalg‘ish xatti-harakatlarini aniqlash). 2. "Pedestrians and their Phones - Detecting Phone-based Activities of Pedestrians for Autonomous Vehicles" (Piyodalar va ularning telefonlari - avtonom transport vositalari uchun piyodalarning telefonga asoslangan faoliyatlarini aniqlash). THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 266 1.Detecting phone-related pedestrian distracted behaviours via a two-branch convolutional neural network [25] Muammo tavsifi So‘nggi yillarda piyodalar orasida mobil telefon bilan bog‘liq chalg‘ituvchi xattiharakatlar, jumladan xabar yozish, o‘yin o‘ynash va qo‘ng‘iroq qilish holatlari keskin ortib bormoqda. Bu holat piyodalar e’tiborini yo‘l harakatidan chalg‘itib, yo‘l-transport hodisalari xavfini oshirmoqda. Shu sababli, piyodalarning telefon bilan shug‘ullanayotganini avtomatik aniqlash masalasi muhim ahamiyat kasb etmoqda. Taklif etilgan yechim Tadqiqotchilar Two-Branch Convolutional Neural Network (CNN) arxitekturasiga asoslangan yondashuvni taklif etishgan. Modelda ikki sinxron kamera (old-avtomobil chap va o‘ng kameralar) tomonidan olingan tasvir juftligidan foydalaniladi. Ushbu yondashuv bir kameradan farqli o‘laroq, ko‘p rakursli ma’lumotdan foydalanish orqali aniqlikni oshirishni maqsad qilgan. Algoritmik yondashuv Model quyidagi bosqichlarda ishlaydi: 1. Ikki tarmoqli CNN (Two-Branch CNN): Har bir kamera oqimi uchun alohida konvolyutsion tarmoq mavjud bo‘lib, ular o‘zlarining xususiyat xaritalarini hosil qiladi. 2. Xususiyatlarni birlashtirish (Feature Fusion): Har ikkala tarmoqdan olingan xususiyatlar fuzion bosqichida birlashtiriladi. 3. Klassifikatsiya bosqichi: Birlashtirilgan xususiyatlar softmax klassifikator orqali “telefon ishlatayotgan” yoki “ishlatmayotgan” toifalarga ajratiladi. 4. Confidence Accumulation & Voting: Kadrlar bo‘yicha aniqlikni oshirish uchun vaqt davomida to‘plangan ishonchlilik darajalari asosida yakuniy qaror chiqariladi. Ma’lumotlar to‘plami (Dataset) Modelni o‘qitish uchun 448 ta sinxron video juftligidan iborat ma’lumotlar to‘plami qo‘llangan. Umumiy holda bu 53 760 ta tasvirdan tashkil topgan dataset hisoblanadi. Natijalar Eksperimental natijalarga ko‘ra, Two-Branch CNN modeli bir kamerali tizim bilan solishtirilganda aniqlikni sezilarli darajada oshirgan. Aniq ko‘rsatkich sifatida 84.3% classification accuracy qayd etilgan. Matematik asos Maqolada CNN klassifikatsiyasi uchun cross-entropy loss va softmax funksiyasi qo‘llanilganligi ta’kidlangan. Biroq formulalar batafsil shaklda keltirilmagan. Cross-entropy yo‘qotish funksiyasi umumiy shaklda quyidagicha ifodalanadi: 𝐿 =−∑𝑦𝑖𝑙𝑜𝑔⁡(𝑦^𝑖) 𝑁 𝑖=1 Bu yerda: • 𝑦𝑖haqiqiy belgi, • 𝑦^𝑖model tomonidan bashorat qilingan ehtimollik. 2. “Pedestrians and their Phones - Detecting Phone-based Activities of Pedestrians for Autonomous Vehicles” [26] Asosiy Mazmun Bu ishda piyodalarning telefonga asoslangan faoliyatini aniqlash uchun vizualizatsiyaga THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 267 asoslangan yondashuv taklif qilingan. Avtonom transport vositalari uchun piyodalarning xattiharakatlarini o‘rganishga e’tibor qaratilgan. Foydalanilgan Algoritm va Formulalar An’anaviy mashinani o‘rganishga asoslangan birlashtirilgan freymvork. U bir nechta vizual xususiyatlar oqimini birlashtiradi: • Artikulyatsiyalangan inson pozasini baholash (Articulated human pose estimation): Stacked Hourglass Networks kabi chuqur CNNlar yordamida piyodaning bo‘g‘imli pozasi hisoblab chiqiladi. • Gradientlarga asoslangan tasvir xususiyatlari (Gradient based image features): Piyodaning qo‘lida qurilma bor-yo‘qligini aniqlash uchun (masalan, telefon joylashuvi). • Ishonch tarmog‘i (Belief Network): Har xil xususiyatlar oqimidan olingan ma’lumotlar va ularning bir-biriga bog‘liqligi ushbu tarmoq tomonidan kodlanadi va piyodaning telefon bilan chalg‘iganligini ifodalovchi ehtimollik ballini (probability score) bashorat qilish uchun ishlatiladi. • Pozani kuzatish (Pose Tracking): Particle Filter (Zarrachali filtr) va GPDM (Gaussian Process Dynamical Model) dan foydalanib, piyodaning artikulyatsiyalangan pozasi ketma-ket tasvirlar orqali ishonchli tarzda kuzatiladi. Asosiy natija Ushbu usul aniqlik foizi bo‘yicha aniq raqamni keltirmagan, ammo ko‘p-belgili freymvork (multi-cue framework) bo‘lib, pozani, telefon joylashuvini va boshni qarashni birlashtirib, real vaqt rejimiga yaqin past hisoblash xarajatlarida faoliyat ballini aniqlay olishini ta’kidlagan. 1-jadval. Detecting phone-related pedestrian distracted behaviours via a two-branch convolutional neural network va Pedestrians and their Phones - Detecting Phone-based Activities of Pedestrians for Autonomous Vehicles ikki ishning bir biriga nisbatan tahlili Ish nomi Asosiy Algoritm Eng yuqori aniqlik Afzalliklari Kamchiliklari TwoBranch CNN CNN Two-Branch CNN (Deep Learning) 84.3 % Ikki kamera yordamida chuqurlik va qo‘shimcha vizual xususiyatlar. Uchi-uchiga chuqur o‘rganish. Ikki kamera talab qiladi. Pede strians and their Phones Artikulyat siyalangan poza baholash + Belief Network (An’anaviy ML + DL xususiyatlari) Natija foizda aniq berilmagan Ko‘p oqimli xususiyatlarni birlashtirish, past hisoblash xarajatlari. An’anaviy mashinani o‘rganish qismlari mavjud, ehtimol, toza DL’dan pastroq aniqlik. Xulosa. Maqolada tahlil qilingan tizimlar, xususan YOLOv5–v8, DeepSORT va Two-Branch CNN modellariga asoslangan yechimlar, mayda ma’muriy huquqbuzarliklarni aniqlashda yuqori THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 268 samaradorlikni namoyon etmoqda. YOLO oilasi real vaqt rejimida obyektlarni aniqlash imkonini berib, turli o‘lcham va turdagi huquqbuzarliklarni tezkor tarzda aniqlaydi, DeepSORT esa aniqlangan obyektlarni kadrlar oralig‘ida kuzatib, ularni voqea joyi va vaqt bilan bog‘lashga yordam beradi. Two-Branch CNN esa ikki sinxron kamera yordamida piyodalar xatti-harakatlarini aniqlashda aniqlikni sezilarli darajada oshiradi, shu bilan birga ko‘p rakursli vizual ma’lumotdan foydalanish orqali chalg‘ituvchi omillarga nisbatan bardoshlilikni ta’minlaydi. Shu bilan birga, artikulyatsiyalangan poza baholash va multi-cue freymvork yondashuvlari past hisoblash xarajatlari bilan real vaqt rejimiga yaqin aniqlikni beradi, bu esa avtonom transport tizimlari va shahar monitoringida qo‘llanishi mumkinligini ko‘rsatadi. Natijalar shuni ko‘rsatadiki, sun’iy intellektga asoslangan kuzatuv tizimlari jamoat xavfsizligini mustahkamlash, shahar boshqaruvini raqamlashtirish va mayda huquqbuzarliklarni tezkor aniqlashda samarali vosita hisoblanadi. Bunday tizimlar inson resurslarini tejash, ma’lumotlarni real vaqt rejimida tahlil qilish va dalillarni avtomatik yig‘ish imkonini beradi. Shu nuqtai nazardan, AI va chuqur o‘rganish texnologiyalari shaharlarni “aqlli” boshqarish va jamoat intizomini ta’minlashda muhim rol o‘ynashi aniq. FOYDALANILGAN ADABIYOTLAR 1. Gitnux, “Distracted Walking Statistics.” 2. Ohio State University Engineering, “Distracted Walking Injuries Soar as Pedestrians Use Phones.” 3. UK Parliament Commons Library, “Distracted Walking: Research Briefing SN05672.” 4. UzDaily, “Over 2,000 Violations Related to Illegal Waste Dumping Detected in the Capital.” 5. O‘zbekiston Respublikasi Hukumat, “Rasmiy Ma’lumotlar.” 6. Smart Cities, “Urban AI Applications,” vol. 7, no. 4, pp. 2232–2257, 2024. 7. G.-L. et al., “Computation Efficient Deep Learning for Computer Vision: A Survey,” arXiv, 2023. 8. I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning, MIT Press, 2016. 9. M. Nielsen, Neural Networks and Deep Learning, 2015. 10. “A Survey of Modern Deep Learning based Object Detection Models,” 2024. 11. S. Javed et al., “Visual Object Tracking with Discriminative Filters and Siamese Networks: A Survey and Outlook,” 2021. 12. Z. Babar, “You Only Look Once (YOLO) Object Detection,” Medium. 13. J. Redmon et al., “You Only Look Once: Unified, Real-Time Object Detection,” CVPR, 2016. 14. S. Chinsoni, “YOLO v2 Comprehensive Tutorial: Building on YOLO v1 Mistakes,” Medium. 15. Ultralytics Docs, “YOLOv3 Model.” https://docs.ultralytics.com/models/yolov3/ 16. Ultralytics Docs, “YOLOv4 Model.” https://docs.ultralytics.com/models/yolov4/ 17. Ultralytics Docs, “YOLOv5 Model.” https://docs.ultralytics.com/models/yolov5/ 18. Ultralytics Docs, “YOLOv8 Model.” https://docs.ultralytics.com/models/yolov8/ 19. A. Toward, “R-CNN, Fast R-CNN, Faster R-CNN, and Mask R-CNN.” 20. Roboflow, “MobileNet-SSD v2 vs EfficientNet Comparison.” 21. Ikomia, “Deep SORT Object Tracking Guide.” 22. Roboflow Blog, “What is ByteTrack in Computer Vision?” 23. Noah Cao, “OC_SORT,” GitHub. 24. IBM, “Edge AI Overview” https://www.ibm.com/think/topics/edge-ai 25. IET Research, “Edge AI Applications in Real-Time Systems.”