ИИ-контроль качества снимков с дрона при осмотре трубопроводов
AI-cистема автоматически убирает размытые и бесполезные снимки с дронов, инженеры работают только с качественным материалом.
NDA
Заказчик Крупная нефтедобывающая и нефтеперерабатывающая компания, эксплуатирующая протяжённую трубопроводную инфраструктуру.
Задача Убрать ручную фильтрацию фото после облётов дронами, которая замедляла диагностику и перегружала инженеров. Автоматически отсекать некачественные снимки и сокращать массив данных до изображений, реально пригодных для технической оценки состояния трубопроводов.
О проекте
При осмотре трубопроводов с дронов значительная часть снимков требует ручной проверки из-за шумов, размытий и артефактов, что замедляет анализ и повышает риск ошибок. Мы предложили решение, которое автоматически оценивает качество снимков и отбирает только пригодные для инженерного анализа кадры. Это сокращает время постобработки, ускоряет принятие решений и снижает нагрузку на специалистов.
Решение работает так: коптер передаёт набор изображений (jpeg,png) —> ИИ-система проверяет на дефекты (нейросети + классические алгоритмы) —-> в случае выявления дефектов снимок перемещается в отдельную папку —--> из этой папки ИИ удаляет данные с низким качеством для экономии места и времени аналитика.
NDA
Заказчик Крупная нефтедобывающая и нефтеперерабатывающая компания, эксплуатирующая протяжённую трубопроводную инфраструктуру.
Задача Убрать ручную фильтрацию фото после облётов дронами, которая замедляла диагностику и перегружала инженеров. Автоматически отсекать некачественные снимки и сокращать массив данных до изображений, реально пригодных для технической оценки состояния трубопроводов.
×2 быстрее
1
Аудит данных облётов и источников искажений
Проанализировали исходные наборы снимков с дронов и выделили ключевые типы шумов и артефактов, реально мешающие инженерному анализу трубопроводов
2
Формирование критериев качества снимков
Совместно с инженерами определили формализуемые признаки «непригодных» кадров: резкость, экспозиция, шум, артефакты сжатия и оптики.
3
Расширение датасета и балансировка классов
Компенсировали дефицит редких дефектов за счёт генерации синтетических искажений, сохраняя физический смысл аномалий
4
Обучение и валидация модели фильтрации
Обучили модель классификации качества снимков и подобрали параметры, обеспечивающие устойчивую фильтрацию без потери полезных данных
5
Сборка пайплайна и запуск на целевом оборудовании
Объединили алгоритмы в единый поток обработки: от приёма данных с дрона до автоматической очистки массива и передачи инженерам только валидных кадровНейросети оказались не единственным вариантом решения задачи
Технологический стек
Backend
Логика обработки и базовые компоненты системы
ML
Модели и фреймворки для обучения
Вызовы и решения
Недостаток данных по дефектным сценариям
Фактические данные аэрофотосъёмки содержали ограниченное количество снимков с дефектами, что снижало устойчивость алгоритмов при выявлении аномалий и приводило к переобучению на «нормальных» сценах.РЕШЕНИЕ
Сформировали расширенный обучающий датасет
Применили контролируемые искажения к эталонным снимкам, воспроизводя типовые аномалии, критичные для анализа состояния трубопроводаОтсутствие формализованных критериев качества
Первичный перечень дефектов и аномалий был разрозненным и неоднозначным, что затрудняло как обучение моделей, так и объективную оценку качества фильтрации снимков.РЕШЕНИЕ
Формализованная методика оценки качества изображений
Выделили приоритетные типы аномалий, задали чёткие критерии классификации и привязали их к измеримым метрикам качества.-40%
лишних снимков (размытые, засвеченные и шумные фото)
В 2 раза
быстрее разбор облёта инженерами
+30%
полезных изображений
Команда, которая внедрила проект
Константин Порошкин
ML-инженер
Виктор Дупляков
Full-stack разработчик
Фёдор Головин
Project Manager
Марк Яговкин
Руководитель разметки данных
Дмитрий Соркин
DevOps-инженер
Михаил Моисеев
CV-инженер
Планы на будущее:
повышение точности, комбинирование ИИ и классических методов, подготовка к запуску на ARM-устройствах.
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.
Разработка крупной системы
Компьютерное зрение в метрологии
ИИ для промышленности
ИИ-отбор качественных снимков с дронов
Разработка крупной системы
Распознавание QR для контроля сборки и упаковки заказов
Разработка крупной системы
Платформа для регистрации рекламы блогеров и ЕРИР
Разработка крупной системы
Нейросеть для определения возраста: аналитика и безопасность в одном решении
Разработка крупной системы
AI-контроль выкладки свежей рыбы + соблюдение FIFO
Разработка крупной системы
Нейросеть распознаёт пустые полки в магазинах и помогает вовремя их заполнить
Разработка крупной системы
Контроль ношения СИЗ на производстве рыбы
Разработка крупной системы
Автоматизация досмотра багажа и анализа X-ray снимков с помощью ИИ
Разработка крупной системы
ИИ-контроль опасных ситуаций при движении погрузчиков
Сбор и разметка данных для ИИ
Собрали датасет оружия в 1000+ видео
Разработка крупной системы
Машинное зрение измеряет паллеты и передает данные в WMS
Сбор и разметка данных для ИИ
Учим нейросеть распознавать драки, чтобы в вашем городе стало безопаснее
Сбор и разметка данных для ИИ
Разметка данных для беспилотных комбайнов
Экспертная разметка данных
Медицинский датасет МРТ позвоночника для обучения AI
Разработка крупной системы
Как контролировать брак этикетки на работающем конвейере
Экспертная разметка данных для ИИ
Разметка 7000 исследований совместно с врачами-экспертами
Разработка крупной системы
Распознавание номеров автомобиля для въезда на парковку
Разработка крупной системы
ИИ расставляет стеллажи в 10 раз быстрее
Операционный ИТ-аутсорсинг
Команда разметчиков как сервис для маркетплейса
ИИ для образования
Распознавание рукописного текста на экзаменационных бланках с помощью нейросети
Разработка крупной системы
ИИ-система для оценки повреждений автомобилей
Сбор данных для ML и ИИ
Собрали 10 000 уникальных лошадей для биометрии
Разработка крупной системы
ИИ-учет индивидуальной выработки на конвейере
Разработка крупной системы
Цифровой контроль движения вагонов
Разработка крупной системы
От цветка к идеальному букету: ИИ распознает качество роз
Разработка крупной системы
Нейросеть для распознавания 2D чертежей
Разработка крупной системы
Платформа, объединившая поиск блогеров, целевой аудитории и аналитику
Разработка для ритейла
Внедрение видеоаналитики для контроля комплектации товаров на складе
Разработка крупной системы
Нейросеть, которая контролирует бодрость сотрудников аэропорта, чтобы вы улетели в отпуск вовремя
Разработка крупной системы
ИИ контролирует опасные зоны конвейера 24/7
Сбор и разметка данных
AI-мониторинг вечной мерзлоты
Разработка крупной системы
Нейросеть контролирует качество чипсов прямо на конвейере
Разработка для сельского хозяйства
Нейросеть для мониторинга здроровья коров
