Tasks of subsurface users
Other technological solutions
Purpose and description of task (project)
Мы получили задачу от компании, которая занимается сервисным обслуживанием и аудитом сложного промышленного оборудования (резервуары, трубопроводы) в полевых условиях. Сейчас первичный визуальный контроль сварных соединений выполняют инспекторы вручную. Это занимает много времени, а человеческий фактор приводит к пропуску микротрещин и подрезов.
Использование тяжелых стационарных ИИ-систем невозможно из-за отсутствия стабильного интернета на удаленных объектах и отсутствия у инспекторов мощных вычислительных устройств (в наличии только корпоративные смартфоны и планшеты среднего сегмента).
Требования к решению (Технические параметры) • Тип архитектуры: Компактная нейросеть (например, на базе MobileNetV3, YOLOv8-nano или аналогичных архитектур, оптимизированных под edge-девайсы). • Специфика данных: Модель должна быть обучена на датасете макрофотографий металлов (углеродистая и нержавеющая сталь) с учетом бликов, ржавчины и плохой освещенности. • Формат работы: Локальный запуск (offline) на мобильных устройствах через ONNX Runtime или TensorFlow Lite. • Метрики качества: Точность детекции ([email protected]) не менее 88% при скорости инференса до 200 мс на одном кадре (процессор уровня Snapdragon 680).
Каримов М.Ф.
Note
«Антибликовый фильтр и аугментация текстур». Главная проблема полевых фото — блики от вспышки на отполированном или влажном металле, которые классические нейросети принимают за трещины (или наоборот, маскируют их). Решение должно включать в себя специфический слой предобработки (или кастомную аугментацию при обучении), который программно нивелирует световые артефакты и оценивает именно геометрию и текстуру сварочного валика, а не яркость пикселей.
Whatsapp
