Промышленность, рыбопереработка

ИИ-подсчет рыбы при сортировке на борту

Система автоматически считает рыбу в процессе сортировки, разделяет результаты по направлениям отбора и формирует итоговые данные по каждой партии.

fish-sorting-counting-ai-1.png
fish-sorting-counting-ai-2.png
fish-sorting-counting-ai-1.png
NDA
ЗаказчикКрупная рыбодобывающая компания с собственным современным флотом, широким географическим охватом промысла и экспортными поставками продукции на международные рынки.
ЗадачаАвтоматизировать учет продукции в заданных зонах сортировки, повысить прозрачность результатов по каждой партии и сформировать единую доказательную базу для разбора отклонений в процессе учета.

О проекте

Заказчик поставил задачу автоматизировать учет в процессе сортировки и получить устойчивый результат там, где ручной подсчет быстро теряет точность из-за перекрытий, скоплений объектов, бликов, брызг и нестабильных условий съемки. 

 

Мы предложили систему компьютерного зрения, которая анализирует видеопотоки с камер, отслеживает объекты в зонах контроля и формирует итог по каждой партии. В логику работы заложили дедупликацию и правила финализации событий, чтобы исключить двойной счет и корректно обрабатывать сложные сценарии. В результате заказчик получает прозрачный учет, единый журнал событий и данные для последующего разбора отклонений.

NDA
ЗаказчикКрупная рыбодобывающая компания с собственным современным флотом, широким географическим охватом промысла и экспортными поставками продукции на международные рынки.
ЗадачаАвтоматизировать учет продукции в заданных зонах сортировки, повысить прозрачность результатов по каждой партии и сформировать единую доказательную базу для разбора отклонений в процессе учета.

<15%

ошибок при подсчете партии
1
Сбор видеоматериалов и обследование условий
Заказчик предоставляет видеозаписи с каждого объекта, а команда фиксирует реальные условия съемки: ракурс, перекрытия, засветы, брызги, вибрации и качество потока
2
Разметка данных и подготовка выборки
Формируется датасет с разметкой ключевых сущностей и сценариев, включая объекты, тару, зоны обработки и внешние помехи, с контролем качества разметки через двойную проверку и QA
3
Обучение модели детекции и трекинга
На собранных данных обучается модель компьютерного зрения для распознавания объектов в потоке и их устойчивого сопровождения в сложной сцене. В материалах отдельно указаны детекция и трекинг как основа подсчета
4
Настройка бизнес-логики подсчета
Поверх модели реализуется логика сессий, контрольных зон, дедупликации, финализации событий и разделения результатов по направлениям обработки, чтобы исключить двойной счет и аномальные скачки
5
Разработка API, интерфейса и журналов
Система получает веб-интерфейс для настройки камер и зон, журнал сессий, экспорт результатов и API для выгрузки данных по запросу
6
Развертывание на объекте и синхронизация с офисом
Решение разворачивается в локальном контуре на объекте, продолжает обработку даже при отсутствии связи и синхронизирует данные с центральной системой после восстановления канала
7
Испытания и дообучение на реальных сценариях
После MVP система проходит испытания на контрольной выборке, метрики фиксируются в протоколах, а затем алгоритмы дообучаются на проблемных кейсах для повышения стабильности и точности.

До 100 рыб в одной партии

Система должна корректно считать рыбу даже при плотном скоплении, перекрытиях, бликах и брызгах, без двойного учета и резких скачков результата.

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

Нестабильные условия съемки

На качество подсчета влияют брызги, блики, загрязнение оптики, вибрации и резкие изменения освещения
РЕШЕНИЕ

Устойчивая логика обработки сцены

Алгоритмы и правила учета адаптировали под сложную среду, а требования к камерам, ракурсам и зонам контроля вынесли в отдельный эксплуатационный контур

Изменяемая геометрия рабочей зоны

В процессе сортировки тара может смещаться, заменяться или появляться несколько раз в пределах одной партии
РЕШЕНИЕ

Динамические зоны учета

Помимо статических зон система использует детекцию тары как динамический ROI, чтобы продолжать подсчет без потери данных и ошибок при смене положения

>90%

точность подсчета рыбы

24/7

непрерывная работа системы

60 дней

хранение событий и артефактов

Команда, которая внедрила проект

Алексей Цибульников
Python backend-разработчик
Дмитрий Соркин
DevOps-инженер
Марк Яговкин
Руководитель разметки данных
Роман Фёдоров
Бизнес-аналитик
Михаил Моисеев
CV-инженер
Дмитрий Палий
Frontend-разработчик
Виктор Дупляков
Full-stack 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
3D-инспекция кузова фур
lidar-truck-scanning-system.png
Разработка крупной системы
ИИ-система учёта возвратной тары
3d-lidar-returnable-packaging-counting.jpg
Разработка крупной системы
Машинное зрение измеряет паллеты и передает данные в WMS
pallet.png
Разработка для сельского хозяйства
Нейросеть для мониторинга здроровья коров
ии мониторинг здоровья коров-1.jpg
Разработка крупной системы
ИИ-система для оценки повреждений автомобилей
damage-detection-case.png
Разработка крупной системы
ИИ-контроль операций ко-пакинга
ai-copacking-automation.jpg