Как компьютерное зрение помогает сократить количество брака в металлургии
AIJ закончилась вчера, но у меня всё еще много впечатлений и мыслей после конференции! Буду вам кое-что рассказывать сегодня, а в понедельник соберусь с мыслями и постараюсь подвести итог. Такие мероприятия сейчас очень важны для нас и для индустрии ИИ в частности.
Итак, хочу вам рассказать про вчерашнюю сессию CV. Андрей Козлов из VisionLabs поделился на AIJ крутым кейсом, как компания работает с металлургическим гигантом ЕВРАЗ. Алгоритмы компьютерного зрения детектируют поверхностные дефекты на заготовках.
Как работает система?
Система подключается, когда заготовки движутся по конвейеру (рольгангу). В одной его точке установлены четыре специализированные камеры машинного зрения — они снимают движение этой заготовки.
Если немного упростить, процесс детектирования разбит на несколько этапов:
— Сначала камеры отмечают начало и конец заготовки;
— Затем одна нейросеть проверяет кадры и смотрит, есть ли дефекты на всех гранях заготовки;
— Если дефект обнаружен, кадр перекидывают следующей нейросети. Она классифицирует дефект (это может быть трещина, рвань, плена, расслой и пережог).
Что происходит, если дефект есть?
Компания разработала специальный интерфейс для оператора. Если заготовка повреждена, человек слышит звуковой сигнал, а на экране у него высвечивается фотография с номером заготовки и типом дефекта.
Дальше решение за оператором: отправить заготовку в брак или в печь.
С какими трудностями столкнулись?
Одна из самых главных проблем на начальном этапе — недостаток размеченных кадров для обучения нейросети. Со стороны ЕВРАЗА этим занимался один человек, поэтому процесс был долгим.
Но VisionLabs предложила другой подход — задействовать внешний сервис «Яндекс.Толока». Это позволило увеличить количество разметчиков до нескольких десятков человек и быстро набрать нужное количество кадров.
Что в итоге?
Такая система снижает нагрузку на оператора и уменьшает количество брака на входе и на выходе. Правда, никаких цифр в компании не представили (возможно, их просто пока нельзя разглашать). Так что сравнить количество брака до внедрения системы сложно.
AIJ закончилась вчера, но у меня всё еще много впечатлений и мыслей после конференции! Буду вам кое-что рассказывать сегодня, а в понедельник соберусь с мыслями и постараюсь подвести итог. Такие мероприятия сейчас очень важны для нас и для индустрии ИИ в частности.
Итак, хочу вам рассказать про вчерашнюю сессию CV. Андрей Козлов из VisionLabs поделился на AIJ крутым кейсом, как компания работает с металлургическим гигантом ЕВРАЗ. Алгоритмы компьютерного зрения детектируют поверхностные дефекты на заготовках.
Как работает система?
Система подключается, когда заготовки движутся по конвейеру (рольгангу). В одной его точке установлены четыре специализированные камеры машинного зрения — они снимают движение этой заготовки.
Если немного упростить, процесс детектирования разбит на несколько этапов:
— Сначала камеры отмечают начало и конец заготовки;
— Затем одна нейросеть проверяет кадры и смотрит, есть ли дефекты на всех гранях заготовки;
— Если дефект обнаружен, кадр перекидывают следующей нейросети. Она классифицирует дефект (это может быть трещина, рвань, плена, расслой и пережог).
Что происходит, если дефект есть?
Компания разработала специальный интерфейс для оператора. Если заготовка повреждена, человек слышит звуковой сигнал, а на экране у него высвечивается фотография с номером заготовки и типом дефекта.
Дальше решение за оператором: отправить заготовку в брак или в печь.
С какими трудностями столкнулись?
Одна из самых главных проблем на начальном этапе — недостаток размеченных кадров для обучения нейросети. Со стороны ЕВРАЗА этим занимался один человек, поэтому процесс был долгим.
Но VisionLabs предложила другой подход — задействовать внешний сервис «Яндекс.Толока». Это позволило увеличить количество разметчиков до нескольких десятков человек и быстро набрать нужное количество кадров.
Что в итоге?
Такая система снижает нагрузку на оператора и уменьшает количество брака на входе и на выходе. Правда, никаких цифр в компании не представили (возможно, их просто пока нельзя разглашать). Так что сравнить количество брака до внедрения системы сложно.