Сокращение шумов при осмотре состояния трубопровода с коптера

Снижение времени анализа качества оборудования за счет сокращения низкокачественных данных, полученных при облёте территории предприятия дроном

01. Про заказчика

Крупная нефтедобывающая и нефтеобрабатывающая корпорация в Российской Федерации, один из мировых лидеров в своей отрасли

02. Задача проекта

Повышение качественных снимков при полете

Сократить время анализа фото по итогам каждого облёта коптера за счет дополнительной фильтрации и снижения объема данных с артефактами:

Смазанные снимки, расфокус, блики, jpeg артефакты, аддитивный шум, хроматические абберации, недостаточное освещение

03. Как мы решали задачу

0 1

Анализ существующих данных и исследование подходов, позволяющих эффективно выявлять существующие артефакты.

0 2

Сортировка и дополнительная проверка качества входных данных на дубли, на ошибки в первичном распределении дефектов.

0 3

Дополнительная генерация данных для обучения нейронных сетей из-за малого набора исходного датасета.

0 4

Обучение модели классификации с различными функциями генерацией искажений (под каждую конкретную аномалию снимков).

0 5

Оценка качества работы алгоритмов на тестовом наборе данных, подбор лучших характеристик для максимизации F-1 меры.

0 6

Создание единого пайплайна, запуск на целевом оборудовании и документирование программного кода.

Интересный факт

Для быстродействия вычислений на оборудовании тестировались не только нейронные сети, но и классические подходы (РСА, отклонение яркости, гистограммы), которые показали те же метрики качества, но в разы большую производительность.

04. Как это работает

1 Коптер передаёт набор изображений в наше решение (jpeg,png).

2 ИИ-система проверяет на каждый из дефектов (нейросети + классические алгоритмы).

3 В случае выявления дефектов создается отдельная папка, куда перемещаются снимки.

4 ИИ удаляет данные с низким качеством для экономии места и времени аналитика.

5 Оператор по итогам облета анализирует только те снимки, которые прошли фильтрацию.

05. Наша нейросеть vs ручная проверка

Количество часов на анализ результатов облёта
Месяцы после внедрения Системы
Ось Y - Количество часов на анализ результатов облёта Ось X - Месяцы после внедрения Системы
Количество часов на анализ результатов облёта
Месяцы после внедрения Системы
Ось Y - Количество часов на анализ результатов облёта Ось X - Месяцы после внедрения Системы
Количество часов на анализ результатов облёта
Месяцы после внедрения Системы
Ось Y - Количество часов на анализ результатов облёта Ось X - Месяцы после внедрения Системы

06. Проблемы и их решение

Нехватка снимков с дефектами

Часть фото с облетов содержалась в очень малом объеме из всего количества снимков, что мешает “научиться” нейронной сети стабильно находить данные аномалии для фильтрации.

Фотографии

Решение: искусственная генерация датасета

Используя методы искажения исходных данных, ухудшали снимки без дефектов под ту или иную аномалию, данных под которую нам не хватало в процессе разработки проекта.

Фотографии

Отсутствие критериев оценки

Исходный перечень аномалий в снимках содержал большое количество неточных формулировок и пересечений, которые влияли и на итоговый результат, тк сложно отличить правильный снимок от аномального.

Решение: Формирование методики оценки под критерии

Совместно с аналитиками и заказчиком детализировали ряд самых критичных аномалий для распознавания нейронными сетями и выделили их, как самые приоритетные для выявления нашим решением.

07. Ценность проекта

Универсальность

Нейронная сеть позволяет работать различными типами оборудования, нет привязки к конкретной камере коптера.

Эффективность постанализа

Значительное сокращение времени на подготовку отчетов и выявления проблем в оборудовании предприятия на снимках.

Быстродействие обработки

За счет комбинаций ИИ и классических алгоритмов скорость обработки на офисных ПК близка к реальному времени.

Гибкость к доработкам

Система демонстрирует свою эффективность даже в сложных условиях, но также доступна возможность внесения изменений и адаптация под новые задачи.

08. Команда, которая
внедрила проект

Техлид

Константин Порошкин

Backend-Lead

Виктор Дупляков

Менеджер проекта

Илья Гуреев

Аналитик

Федор Головин

Computer Vision инженер

Роман Гаев

DevOps

Дмитрий Соркин

Куратор команды разметки

Марк Яговкин

09. Планы на будущее

Готовые проекты

Наша команда с 2017 года успешно реализовала 54 проекта 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.