Горнодобывающая промышленность

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.

ai-ore-color-analysis-pilot-1.png
ai-ore-color-analysis-pilot-2.png
ai-ore-color-analysis-pilot-1.png
NDA
ЗаказчикРазработать систему, которая по видеопотоку с конвейера определяет процентное соотношение руды по цветовым фракциям и передаёт результат в машиночитаемом виде для оперативного контроля качества сырья.
ЗадачаКрупное промышленное предприятие по добыче и переработке руды.

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.

NDA
ЗаказчикРазработать систему, которая по видеопотоку с конвейера определяет процентное соотношение руды по цветовым фракциям и передаёт результат в машиночитаемом виде для оперативного контроля качества сырья.
ЗадачаКрупное промышленное предприятие по добыче и переработке руды.

70%

- целевая точность определения каждого цвета руды на пилотном этапе
1
Подготовка данных
Проверили качество видеопотока, отобрали рабочие материалы и собрали выборку для обучения модели
2
Разметка руды по цветовым классам
Подготовили разметку объектов руды на кадрах и сформировали датасет для обучения на трёх цветах.
3
Обучение и валидация модели
Дообучили модель, затем проверили качество на независимых видео и рассчитали точность отдельно по каждому цвету
4
Пилотный запуск
Упаковали решение в Docker: система принимает видео, обрабатывает его и возвращает JSON с долями цветовых фракций и видео с разметкой

Интересный факт

Камни на конвейере лежат вплотную, частично перекрывают друг друга, бликуют и меняют оттенок из-за пыли и влажности, поэтому системе сначала нужно было корректно разделить массу руды на отдельные фрагменты, и только потом классифицировать их по цвету.

Технологический стек

Frontend

Интерфейс пользователя: отчеты, графики, панели управления

Backend

Логика обработки и базовые компоненты системы

ML

Модели и фреймворки для обучения

Вызовы 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.
РЕШЕНИЕ

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 съёмки
РЕШЕНИЕ

Нормализация 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 работы

Недостаточное разнообразие обучающих данных

Без расширения выборки модель быстро упиралась в переобучение и плохо переносила новые условия: влажную руду, другую насыпь и изменяющуюся фактуру поверхности
РЕШЕНИЕ

Расширение 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 сценариев

100 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.

О вашей задаче (по желанию)

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.

bracket
Разработка крупной системы
Нейросеть для определения возраста: аналитика и безопасность в одном решении
age.webp
ИИ для образования
Распознавание рукописного текста на экзаменационных бланках с помощью нейросети
ocr-documents-case.png
Разработка крупной системы
ИИ-система для оценки повреждений автомобилей
damage-detection-case.png
Пилотный запуск
Интеллектуальная видеоаналитика для контроля периметра, выявления угроз на интроскопах и БПЛА
ai-video-security-industrial-sites.jpg
Видеоаналитика для ресторанов
ИИ-контроль времени сборки заказов
ai-tray-order-analysis-fast-food.jpg
AI-Mirror
ИИ-интерактив для бренд-зоны
ai-interactive-exhibition-stand.jpg