Логистика, промышленность

ИИ-система распознавания вагонов для автоматического учета в режиме 24/7

Разработка пилотного проекта системы компьютерного зрения для автоматического распознавания номеров вагонов, контроля составов и генерации отчетов.

NDA

Заказчик Крупное промышленное предприятие с собственной железнодорожной инфраструктурой для транспортировки сырья и готовой продукции.

Задача Разработать концепцию и доказать техническую реализуемость системы, способной полностью автоматизировать процесс учета прибывающих и убывающих ж/д вагонов. Ключевые цели: устранить ошибки, связанные с ручным вводом данных, ускорить обработку составов и создать прозрачную систему отчетности для логистического отдела.

О проекте

Для предприятия с собственной железнодорожной инфраструктурой точный учет номеров вагонов — это контроль оборота сырья, сроков отгрузки и финансовых потоков. Ручная фиксация данных создает операционные риски: ошибки в номерах, задержки в обработке составов, сложности в сверке и отчетности.

Задача клиента — перейти к полностью автоматизированному учету вагонов в режиме 24/7, устранить человеческий фактор, ускорить логистические операции и получить прозрачную систему контроля движения подвижного состава, интегрированную в существующие бизнес-процессы предприятия.

Концепция системы:

Автоматическое считывание: несколько камер, расположенных у ж/д путей, в реальном времени захватывают видеопоток.
Распознавание и анализ: нейросеть детектирует каждый вагон, находит на нем номерной знак и распознает его с высокой точностью, даже при движении состава и в сложных погодных условиях. Система также отслеживает направление движения (въезд, выезд, маневры).
Формирование отчета: все распознанные данные (номер, время, фото/видео фиксация) автоматически собираются в единый отчет, исключая дублирование вагонов при маневровых работах.
Интеграция и управление: система предоставляет оператору удобный интерфейс для валидации данных и, в перспективе, может быть интегрирована с внутренними системами учета (1С) и весовым оборудованием.

NDA

85%

точность распознавания уже на этапе MVP

Проработка архитектуры и ТЗ (1 месяц)

Провели аудит логистических процессов и инфраструктуры. Зафиксировали требования, KPI и экономику проекта в 50-страничном ТЗ: архитектура, этапность, сроки и бюджет — без размытых формулировок и скрытых рисков.

Формирование обучающего контура

Создали размеченный датасет на основе реальных видеопотоков предприятия. Это обеспечило обучение модели на фактических условиях эксплуатации, а не на «лабораторных» данных.

Разработка CV-моделей (детекция + OCR)

Обучили две специализированные модели: детекция вагона и зоны номера; распознавание символов (OCR). Разделение задач позволило повысить точность и масштабируемость решения.

Логика трекинга и отчетности

Разработали алгоритм исключения дублей при маневрах и определение направления движения. Итог — автоматическая генерация корректных XLSX-отчетов без ручной обработки.

Демонстрация MVP на реальных данных

Развернули прототип и подтвердили целевые метрики пилота (85% точность распознавания). Это снизило инвестиционные риски перед масштабированием.

Результат пилота:

На основе предоставленных видеозаписей мы разработали и обучили модель, которая успешно распознавала 8 из 10 вагонных номеров в движении.

Технологический стек

Backend

Логика обработки и базовые компоненты системы

ML

Модели и фреймворки для обучения

Вызовы и решения

Низкое качество номерных знаков

Вагоны поступают с частично стертыми, загрязненными или закрашенными номерами. Стандартные OCR-модели в таких условиях теряют точность, что напрямую влияет на корректность учета и управленческих отчетов.

РЕШЕНИЕ

Обучение модели под реальные условия эксплуатации

Мы внедрили расширенную стратегию data augmentation: моделировали загрязнения, потертости, шум, искажения контраста. Это позволило обучить систему устойчиво распознавать номера даже при частичной деградации изображения.

Дублирование вагонов при маневровых операциях

При маневрах один и тот же вагон может несколько раз проходить через зону контроля. Без интеллектуальной логики система формирует избыточные записи, искажая данные учета.

РЕШЕНИЕ

Интеллектуальный трекинг и антидублирование

Мы реализовали алгоритм отслеживания траектории движения и присвоения уникального ID каждому вагону. Система анализирует направление движения и последовательность появления объекта в кадре, исключая повторные фиксации.

<2 сек

время на распознавание одного вагона

95%

прогнозируемая точность распознавания номеров при промышленном внедрении

100%

прозрачность и контроль логистики

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.