Промышленность, рыбопереработка

Автоматизированный подсчет рыбы в процессе сортировки на борту

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

NDA

Заказчик Крупная рыбодобывающая компания с собственным современным флотом, широким географическим охватом промысла и экспортными поставками продукции на международные рынки.

Задача Автоматизировать 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

<15%

ошибок при подсчете партии

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

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

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

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

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

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

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

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.