Промышленный мониторинг, нефтегазовая промышленность

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

×2 быстрее

разбор съёмки с дрона

Аудит данных облётов и источников искажений

Проанализировали исходные наборы снимков с дронов и выделили ключевые типы шумов и артефактов, реально мешающие инженерному анализу трубопроводов

Формирование критериев качества снимков

Совместно с инженерами определили формализуемые признаки «непригодных» кадров: резкость, экспозиция, шум, артефакты сжатия и оптики.

Расширение датасета и балансировка классов

Компенсировали дефицит редких дефектов за счёт генерации синтетических искажений, сохраняя физический смысл аномалий

Обучение и валидация модели фильтрации

Обучили модель классификации качества снимков и подобрали параметры, обеспечивающие устойчивую фильтрацию без потери полезных данных

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 кадров

Нейросети оказались не единственным вариантом решения задачи

Классические алгоритмы анализа изображений (PCA, анализ яркости, гистограммы) дали сопоставимое качество, но работали в разы быстрее — они легли в основу финального пайплайна

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 трубопровода

Отсутствие 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

Проект запущен в работу

Скоро здесь будут

обновления

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.