Мы собираем cookie для улучшения нашего сайта
Оставить заявку
Заполните данные и мы свяжемся с вами в ближайшее время
Система обнаружения посторонних предметов на днищах автомобилей с помощью нейросети
Анализ изображений
Основная информация
Заказчик
ISS — Интеллектуальные Системы Безопасности — компания-интегратор решений по безопасности
Продукт
Задача
Программное обеспечение для стендов проверки автомобиля — днище осматривается человеком с помощью зеркал и по фотографиям
Найти аномальные предметы на дне автомобиля по фотографии
Где используется:
на военных объектах
Зачем нужно:
на приграничных постах
в местах с повышенными требованиями к безопасности
автоматизировать процесс проверки
ускорить работу оператора
Как это работает
Машина заезжает на стенд
Осуществляется фото-съемка днища автомобиля
При нахождении аномалий показывает снимок оператору
Нейросеть анализирует снимок
Аномалия
Техническая реализация
Провели ML-аудит
Так как подобные задачи практически не решались, наш клиент заказал услугу ML-аудита
Нашли научную статью
В результате исследования
мы нашли научную статью
по похожей тематике
мы нашли научную статью
по похожей тематике
Модель
Мы воспроизвели статью и адаптировали модель под наши данные
VisionHub
Как интерфейс визуализации мы использовали наш хостинг моделей машинного зрения VisionHub
GAN
Основной метод — генеративно- состязательные сети (GAN), алгоритм машинного обучения.
Принцип работы:
Шаг 01
Запоминаем, как выглядит объект в нормальном состоянии
Шаг 02
Генерируем изображения и фиксируем на них аномалии
Зафиксирована
аномалия
аномалия
Процесс разработки
Входные данные
20
6
изображений
днищ автомобилей
с аномалиями
днищ автомобилей
с аномалиями
эталонных
изображений днища
изображений днища
Обработка датасета
24
317
Разметили вручную изображения, отметили аномалии.
изображения
с аномалией
с аномалией
нормальных
Разрезали фотографии на квадратики по 512 пикселей и отсматривали отдельно.
130
3221
аномальных
нормальных
Обучение модели
Обучили модель
на подготовленной выборке.
Точность метрики качества составила 0.73
на подготовленной выборке.
Точность метрики качества составила 0.73
Очень маленький датасет, недостаточный для качественного обучения нейронной сети
Изображения в большом разрешении — 4 тыс. на 10 тыс. пикселей
Метрика - соотношение корректно определенных аномалий и ложно определенных
Аномалия: есть/нет на этом фрагменте. Не стояло задачи точно локализовать.
Аномалия: есть/нет на этом фрагменте. Не стояло задачи точно локализовать.
Этапы разработки
Согласование
Аудит
Начало разработки
1,5-2 месяца
2 недели
Текущие результаты
Завершился этап аудита
Удалось построить первую модель
Готовимся
к большому проекту
к большому проекту
Команда проекта
Михаил Евдокимов
Менеджер
Техлид
Влад Виноградов
Computer Vision инженер
Аэлита Шайхутдинова
Особенности проекта
Впервые использовали GAN в продакшене
Один из первых наших аудитов
Впервые работаем с компанией- интегратором и вообще с людьми, которые связаны с разработкой весьма опосредованно
Где могут пригодиться наработки
Например,
в медицинских приложениях
в медицинских приложениях
В системах, где нужно обнаружить отклонение от нормы
Трудности проекта
Непривычный материал
Cложности коммуникации, так как компания очень большая
Напишите нам
Нажимая на кнопку, вы соглашаетесь с нашей Политикой в отношении обработки персональных данных пользователей