Оптимизация расстановки стеллажей с помощью ИИ и машинного зрения
Разработали систему, которая с помощью ИИ оптимизирует расстановку стеллажей на складе.
Алгоритм анализирует DXF-чертежи из AutoCAD и автоматически формирует план размещения с учётом ограничений и норм безопасности.
Решение сократило время проектирования в несколько раз и исключило ошибки ручной планировки.
01. Про заказчика
Крупная компания (NDA) из сферы логистики и складской дистрибуции.
Организация управляет несколькими распределительными центрами и регулярно проектирует новые складские площади под различные типы хранения.
02. Задача проекта
Основная цель: автоматизировать проектирование складских зон и исключить ошибки ручной планировки.
Что требовалось реализовать:
систему, которая рассчитывает оптимальную расстановку стеллажей по DXF-чертежам;
алгоритм, учитывающий габариты помещений, технологические зоны и нормы безопасности;
экспорт готовой схемы расстановки и спецификации оборудования в форматах DXF и XLSX.
Результат: единая среда, где проектировщик может загружать чертёж, задавать параметры и получать готовую планировку и смету комплектующих без ручных расчётов.
03. Как мы решали задачу
01
Анализ данных — изучили DXF-чертежи складов и выделили параметры, влияющие на расстановку: габариты, колонны, проезды и ограничения.
02
Формализация правил — перевели требования по типам стеллажей и нормам безопасности в математические зависимости для алгоритма.
03
Разработка алгоритма — создали модель на основе генетического алгоритма и методов машинного обучения для расчёта оптимальной схемы.
04
Визуализация и интерфейс — реализовали загрузку DXF, настройку параметров и наглядное отображение схемы размещения.
05
Экспорт результатов — добавили выгрузку планировок в DXF и XLSX, а также интеграцию со сторонними CAD-системами.
06
Развёртывание системы — подготовили контейнерную инфраструктуру (Docker) с возможностью масштабирования под разные склады.
04. Технологический стек
1Параметризация склада — пользователь задаёт размеры зоны, типы стеллажей и ключевые ограничения. Система анализирует геометрию, проходы и технические зоны.
2Оптимизационный расчёт — алгоритм формирует план расстановки с учётом норм безопасности и плотности хранения.
3Визуализация решения и экспорт результатов — пользователь получает интерактивную схему и может скорректировать размещение. Итоговая планировка сохраняется и выгружается для проектной документации.
4Алгоритм размещения и автоматическая проверка коллизий и норм безопасности
Расчёт оптимальной плотности и расстояний между стеллажами
5Интеграции и форматы: • DXF (AutoCAD) для загрузки и выгрузки схем • XLSX для экспорта спецификаций • Совместимость с CAD-системами • Масштабируемость под несколько объектов
05. Проблемы и их решение
Проблема 1. Ошибки при ручном проектировании
Размещение стеллажей выполнялось вручную, что приводило к пересечению проходов, несоблюдению норм и неэффективному использованию площади.
Решение
Алгоритм оптимизации автоматически рассчитывает схему с учётом всех ограничений и норм безопасности. Система исключает пересечения и формирует максимально плотную, корректную планировку.
Проблема 2. Долгое согласование планировок
Каждое изменение требовало пересчёта схемы и повторной проверки инженерами. Процесс занимал часы и зависел от человеческого фактора.
Решение
Система выполняет пересчёт схемы автоматически при изменении параметров. Проектировщик сразу видит обновлённую конфигурацию и может утвердить план без ручных корректировок.
06. Ценность и экономика
Скорость проектирования
Подготовка схем ускорена в 8‑10 раз.
Точность и соответствие нормам
Алгоритм проверяет все ограничения и выдерживает допуск до ±50 мм.
Эффективность использования площади
Оптимальная расстановка даёт до +10% полезного пространства.
Сокращение переработок
Количество согласований уменьшено в 3 раза.
07. Команда, которая внедрила проект
Техлид
Константин Порошкин
Backend-Lead
Алексей Цибульников
Менеджер проекта
Илья Гуреев
Аналитик
Роман Федоров
Computer Vision инжерер
Роман Мазников
DevOps
Дмитрий Соркин
Куратор команды разметки
Марк Яговкин
08. Планы на будущее
Кейсы в других нишах
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 нейросети
Нейросеть для мониторинга здоровья коров на ферме
Разработка крупной системы
ИИ-система для оценки повреждений автомобилей
Разработка крупной системы
Автоматизация досмотра багажа и анализа X-ray снимков с помощью ИИ
Разработка крупной системы
Платформа для регистрации рекламы блогеров и единого реестра интернет-рекламы
Разработка крупной системы
Система распознавания спецтранспорта и автомобильных номеров для парковок и ТЦ
Разработка крупной системы
Нейросеть, которая контролирует бодрость сотрудников аэропорта, чтобы вы улетели в отпуск вовремя
Сбор данных для обучения ИИ
Учим нейросеть распознавать драки, чтобы в вашем городе стало безопаснее
Сбор данных для обучения ИИ
Нейросеть для распознавания огнестрельного оружия для систем безопасности
Разработка крупной системы
Нейросеть для определения возраста в системах безопасности и анализа аудитории
Разработка нейросети
Распознавание рукописного текста на экзаменационных бланках с помощью нейросети
Разработка крупной системы
Нейросеть, которая распознаёт пустые полки в магазинах и помогает вовремя пополнять запасы
Разработка крупной системы
Платформа на базе ИИ для определения целевой аудитории и аналитики блогеров
Разработка крупной системы
Распознавание погрузчиков и работников на складе для снижения рисков и травматизма
Разработка крупной системы
Внедрение машинного зрения для идентификации паллет и расчета габаритов
Разработка нейросети
Повышаем качество снимков с дронов, чтобы повысить точность анализа и распознавания полученных изображений
Разработка крупной системы
Оптимизация расстановки стеллажей с помощью ИИ и машинного зрения
Внутренняя разработка
NeuroVision — платформа видеоаналитики с готовыми модулями.
Разработка крупной системы
Внедрение видеоаналитики для контроля комплектации товаров на складе
Разработка крупной системы
OCR и распознавание 2D-чертежей для расчёта деталей
Разработка крупной системы
AI-видеоаналитика и распознавание QR для контроля сборки и упаковки заказов на складе
