Системы компьютерного зрения

Что компьютерное зрение делает с изображениями компании

Проект по компьютерному зрению начинается там, где снимки уже сохраняются: архив кадров с камеры, папка с фотографиями изделий, фотоотчёты с объектов, снимки территорий. Система учится на примерах, размеченных заказчиком, и дальше разбирает поток одинаково: в ночную смену так же, как в дневную, на тысячном кадре так же, как на первом. Сомнительный кадр она помечает и отдаёт человеку — решение за сотрудником.

Разметка работает там, где признак различим на снимке глазами: чего не видит человек, не увидит и модель.

Контроль брака: как это может быть устроено

Камера над рабочим местом снимает каждое изделие — так этот сценарий может быть устроен. Модель сравнивает кадр с примерами, на которых её учили, и ставит пометку там, где видит отклонение: скол, смещение, недостающий элемент, посторонний предмет рядом с изделием. Пометка — сигнал контролёру: отбраковку он подтверждает сам, решение уходит в журнал. Спорные кадры копятся отдельной очередью: по ним видно, чего не хватило в обучающем наборе.

Развёрнутых проектов визуального контроля на производстве у Dzeta AI нет, поэтому чисел по такой задаче мы не называем — ни по пропущенным дефектам, ни по размеру обучающего набора. Что получится на вашем потоке, показывает пилот.

Снимки территорий: модель классифицирует участки по спутниковым кадрам

Спутниковый снимок закрывают территорию целиком, включая участки, куда выездная бригада добирается в последнюю очередь. Каждый участок модель относит к заданному классу по признакам, различимым на снимке. Результат ложится слоем на карту и пересчитывается со свежей съёмкой.

Снимки территорий — единственная задача по изображениям, где у Dzeta AI есть развёрнутый проект: карта уличной освещённости, 1200+ км² за 8 недель; разбор — ниже.

Объекты в кадре: пересчитать, найти, сравнить с нормой

Кадр видеопотока с уже стоящей камеры закрывает три близких вопроса — так это может быть устроено. Сколько единиц в кадре, если счёт сейчас ведут вручную по журналу. Стоит ли объект на месте, закрыт ли проход, надет ли защитный элемент. Насколько кадр расходится с эталонным снимком того же места. Итог — счётчик и журнал событий; развёрнутого проекта по подсчёту объектов у Dzeta AI пока нет.

Снимок, где главное — текст, идёт другой дорогой: фотографию бланка, скан с печатью и PDF разбирают как документы и достают значения для учёта — когда на снимке важен текст документа. Кадры, где важен сам объект — изделие, участок территории, предмет на своём месте, — остаются за компьютерным зрением.

Откуда берутся изображения и куда уходит результат

Изображения берут там, где они уже копятся, результат возвращают туда, где по нему действуют. Ниже — как такая система может быть устроена; развёрнутый проект у Dzeta AI есть только по строке со снимками территорий.

Из учётных систем Dzeta AI подключает 1С. Какие камеры стоят в компании и куда пишется архив, выясняет аудит: на пилоте можно начать с выгруженной папки снимков, постоянное подключение настраивают при полном внедрении.

Наш проект: карта уличной освещённости по спутниковым снимкам

Заказчик этого проекта Dzeta AI работает с городской инфраструктурой. Освещённость районов оценивали выездными замерами: бригада объезжает территорию, фиксирует показания, данные сводят в таблицу. На такой площади сплошной объезд вручную почти невозможен, и приоритеты ремонта расставляли на глаз.

Команда Dzeta AI собрала разбор спутниковых снимков: свела кадры к одному виду, вытащила признаки освещённости, обучила и проверила модель на размеченных примерах, разложила результат по карте. Дальше модель сама относит районы города к классам освещённости по свежей съёмке, без выезда бригады и ручных замеров.

Что получилось:

• модель разобрала 1200+ км² городской территории по спутниковым снимкам;
• карта освещённости заняла 8 недель;
• карта пересчитывается автоматически, когда приходит новая съёмка;
• выездные замеры заменил расчёт по снимку: вместо решений на глаз — обоснованный план ремонта и данные, которыми защищают бюджет.

Слой освещённости дальше живёт как обычные данные: на нём защищают бюджет ремонта и по нему принимают решения, и по этому набору принимают решения — как разрозненные данные сводят в управленческий отчёт.

За Dzeta AI 50+ проектов в восьми отраслях. Контроль брака, подсчёт объектов и сверку фотоотчётов страница описывает как сценарии: своих цифр по визуальному контролю у Dzeta AI нет, чужие мы не ставим.

Как проходит внедрение и где работает система

Целевое качество и критерии приёмки фиксируют до старта на снимках заказчика — по ним систему и принимают. Набор для проверки собирают из худших экземпляров: кадр против света, смазанное фото, снимок с неудобного ракурса. Менять набор по ходу нельзя: иначе результаты разных недель не сравнить.

Процент точности до этой проверки Dzeta AI не называет. Результат держится на том, что попало в кадр: расстояние, свет, ракурс, фон, разрешение камеры. Один и тот же дефект виден на одной съёмке и теряется на другой, и число с чужих снимков о вашем потоке не говорит ничего.

Начинают с пилота: проверка задачи на небольшом наборе ваших изображений показывает, стоит ли считать полный бюджет. Деньги уходят не только на обучение модели: архив нужно собрать, примеры — разметить вместе со специалистами заказчика, а границу брака — согласовать. Во что это обойдётся, считают на аудите, — на что уходят деньги, пока модель ещё не обучена — разбор в отдельной статье. После запуска модель дообучают на новых примерах и следят за качеством — как модель поддерживают в работе после внедрения.

Где работает система и кто видит снимки

Систему на открытых моделях Dzeta AI разворачивает в контуре заказчика: снимки, архив и обученная модель остаются на серверах компании. Персональные данные её не покидают: рамку задаёт 152-ФЗ «О персональных данных», а в кадр попадают люди. В ChatGPT и другие внешние сервисы снимки не уходят, если заказчик этого не хочет.

Кто что подтвердил, видно в журнале: какой кадр система пометила, что решил человек, когда. Модель заменяется без переделки системы: правила, подключения и интерфейс сотрудника остаются на месте. Свой IT-отдел не нужен: хватит человека, который понимает процесс и разбирает спорные кадры, пока модель дообучается.

Когда компьютерное зрение не окупится

Компьютерное зрение подходит, если съёмка повторяется изо дня в день, признак на кадре различим глазами и по пометке кто-то действует. Не подходит, если:

• Снимков не сохраняют: проект начнётся со сбора и разметки, до первого результата он дойдёт нескоро.
• Съёмка нестабильна: камеру сдвигают, свет меняется от смены к смене, изделие лежит каждый раз по-новому. Модель учится на одном, работает на другом — что требуется от съёмки: камера, свет, ракурс.
• Дефект на снимке не виден человеку: трещина внутри, отклонение по весу, звук при работе. На кадре система увидит ровно то же, что и глаз.
• Кадров мало: пара снимков в смену не даст модели, на чём учиться, и человек просмотрит их быстрее.
• Снимок — лишь часть основания: допуск изделия решают по замерам, документам и осмотру вместе. Модель подсветит кадр, но подпись ставят не по нему одномуое.
• Хватает порядка в съёмке: если брак ловится, когда кадры делают по одному правилу, модель не нужна — так и напишем в отчёте.

Когда камеры ставить рано, работа ближе к учёту и документам у предприятия остаётся в любом случае — какие ещё задачи предприятия закрывает ИИ.