ИИ-система анализа цветового состава руды на конвейере
Решение помогает быстрее замечать изменения в качестве сырья и принимать решения на основе данных, а не визуальной оценки оператора смены.



О проекте
На производстве изменения качества сырья отслеживаются прямо на ленте. Когда доля окисленной и переходной руды меняется, производству нужен оперативный сигнал, по которому можно сразу принимать решение.
Нами предложена система компьютерного зрения, которая по видеопотоку сегментирует руду по цветовым фракциям, считает их процентное соотношение и передаёт результат в машиночитаемом виде для оперативной работы технологического персонала.
Первый этап проекта был оформлен как рабочий прототип с поставкой в Docker и целевой точностью 70% по каждому цвету.
70%
Подготовка данных
Проверили качество видеопотока, отобрали рабочие материалы и собрали выборку для обучения моделиРазметка руды по цветовым классам
Подготовили разметку объектов руды на кадрах и сформировали датасет для обучения на трёх цветах.Обучение и валидация модели
Дообучили модель, затем проверили качество на независимых видео и рассчитали точность отдельно по каждому цветуПилотный запуск
Упаковали решение в Docker: система принимает видео, обрабатывает его и возвращает JSON с долями цветовых фракций и видео с разметкойИнтересный факт
Технологический стек
Frontend
Интерфейс пользователя: отчеты, графики, панели управленияBackend
Логика обработки и базовые компоненты системыML
Модели и фреймворки для обученияВызовы и решения
Семантическая сегментация вместо выделения отдельных камней
Текущая модель определяла только цветовые зоны, но не разделяла руду на отдельные объекты, поэтому нельзя было посчитать гранулометрический состав и количество камней.Переход к более точной сегментации и доработка масок
В план заложили обновление модели, улучшение границ масок и постобработку, включая морфологические операции и Watershed для разделения перекрывающихся объектов.Нестабильная цветопередача из-за освещения
На кадрах были заметны перепады яркости и цветовой температуры, из-за чего модель начинала по-разному видеть один и тот же материал в разных условиях съёмкиНормализация изображения до инференса
Под эту проблему в пайплайн добавили нормализацию контраста, коррекцию баланса белого и перевод изображения в HSV, чтобы стабилизировать цветовую сегментацию между сменами и условиями работыНедостаточное разнообразие обучающих данных
Без расширения выборки модель быстро упиралась в переобучение и плохо переносила новые условия: влажную руду, другую насыпь и изменяющуюся фактуру поверхностиРасширение датасета и точная разметка
Для этого предусмотрели сбор новых данных в разных условиях, аугментации и более точную разметку, чтобы модель училась на полном спектре реальных сценариев100 видео
по 5 минут - объём независимой проверочной выборки, на которой заказчик должен валидировать работу системы
2 FPS
частота кадров в пайплайне обработки видео
~10 мс/кадр
скорость обработки кадра текущей YOLO-моделью в production-пайплайне
Команда, которая внедрила проект
Владислав Калинин
Data Science Tech Lead
Константин Порошкин
ML-инженер
Алексей Цибульников
Python backend-разработчик
Дмитрий Соркин
DevOps-инженер
Марк Яговкин
Руководитель разметки данных
Никита Латышонок
CV-инженер
Дмитрий Палий
Frontend-разработчик
Бесплатный разбор вашей задачи
На экспертной встрече разберем, какие сценарии внедрения ИИ для вашего бизнеса перспективны и возможны на вашем действующем оборудовании. Подготовим экономическое обоснование внедрения ИИ.
Рассмотрим технические ограничения и возможный первый этап проекта.
Готовые проекты
Наша команда с 2017 года успешно реализовала 60 проектов с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.















