Направляем технологии искусственного интеллекта и машинного обучения на пользу вашему бизнесу

Заказчик — производитель электронных схем. Для того, чтобы рассчитать стоимость производства схемы ему необходимо посчитать все элементы на чертеже (конденсаторы, выключатели итд). Возникла идея переложить эту работу на искусственный интеллект.

Многие элементы на схемах имеют схожее обозначение. Для повышения точности определения было необходимо считывать подписи к элементам, а также понимать к какому элементу относится та или иная подпись.

Была разработана нейронная сеть, которая детектирует все элементы на чертеже схемы, определяет их тип, а также считывает надписи, относящиеся к каждому графическому изображению элемента. Далее программа направляет запрос в 1С Заказчика для определения стоимости каждого элемента и сводит всю информацию в Excel таблицу с итоговой стоимостью элементов платы.

У инженеров Заказчика уходило много времени на составление описаний технологического процесса изготовления деталей на основе чертежей. Появилась идея автоматизировать данный процесс и генерировать описания с помощью искусственного интеллекта.

У Заказчика есть широкий перечень различных классов деталей и типов технологических операций. Стояла задача генерировать корректную документацию по процессу изготовления детали, основываясь на чертеже, материале и внутренней классификации типов детали Заказчика

Была разработана и обучена нейронная сеть, принимающая на вход файл с чертежом детали и на выходе генерирующая технологическое описание процесса ее изготовления. Для удобства пользователей был создан программный интерфейс для загрузки чертежей и выставления различных настроек генерации.

Подсчет выхода печений с производственной линии, а также подсчет бракованных печений

Компании «Добрые Печеньки» для оценки качества технологической настройки оборудования, а также для учета объема списанной дефектной продукции требовалось вести учет выхода печений с производственной линии и проверять каждое печенье на предмет соответствия эталону, а также вести учет количества дефектных печений

Был проведен подбор и монтаж камеры, разработана система подсчета и определения качества печений. В данном проекте мы не проводили разметку датасета и классическое обучение нейронной сети, а использовали алгоритмы обработки изображений из OpenCV. Мы находили движущуюся зону конвейера, детектировали печенья и осуществляли их трекинг, далее классифицировали печенья на схожесть с эталоном и фиксировали события по сходу печений с конвейера

Разработка алгоритмов машинного зрения для определения эффективности работы сотрудников швейного производства

01 При большом количестве сотрудников швейного производства становится проблематично контролировать соответствие работы швей плановым показателям и внутренним стандартам производства.

02 Зачастую сотрудники покидают свои рабочие места по личным причинам, пользуются гаджетами и проявляют другие активности не связанные с рабочим процессом.

03 Заказчику было необходимо разработать решение, собирающее важные аналитические данные по каждому из сотрудников, а именно: время присутствия / отсутствия на рабочем месте, количество отшитых материалов, факт использования гаджетов на рабочем месте.

01 Было произведено обучение нейронной сети для определения сотрудников по лицам, для этого было использовано более 600 изображений на каждого сотрудника, наилучший результат показала модель Yolov8m.

02 Разработаны модели детекции человека и его лица с динамической перепривязкой ID таким образом, что модель детектирует определенного сотрудника даже если он отвернулся и его лицо не попадает в камеру.

03 Протестирована и внедрена модель обработки кадров видео таким образом, чтобы оптимизировать быстродействие системы и при этом корректно рассчитывать время проведенное за работой и другими активностями.

04 Разработан пользовательский веб-интерфейс с возможностью просмотра статистики по действиям сотрудников и их рабочей активности.

Разработка алгоритмов машинного зрения для поинтервальной количественной и качественной характеристики геологических объектов в керновом материале на базе растровых изображений.

01 При бурении породы извлекаются ее образцы (керновый материал), который используется для анализа глубинного строения земной коры и решения геолого-промысловых задач поиска и разведки полезных ископаемых.

02 Фотографии ящиков с керновым материалом обрабатывались в ручную. От геологов требовалось производить оценку состава керна на наличие жил, прожилок, разрушенного керна, цельной породы и других характеристик. Ручная обработка фотографий занимала много времени, что значительно усложняло процесс расчетов.

03 Кроме того, в расчетах присутствовали ошибки, обусловленные «человеческим фактором». Стояла задача автоматизировать процесс обработки фотографий через машинное зрение.

01 Произведена разметка датасета и обучение нейронной сети на автоматическое определение жильного материала, вмещающей породы, трещин, литотипов, цельного и разрушенного керна.

02 Разработанный продукт позволяет оператору при необходимости самостоятельно (без привлечения разработчиков) размечать объекты на изображениях керна, редактировать полученную разметку в ходе работы моделей и запускать процесс обновления построения геологической колонки.

03 Спроектированный web-интерфейс включает в себя главное меню системы с возможностью выбора проекта, модуль итогов классификации керна со встроенным редактором полученных масок, редактор глубин кернового материала и интерфейс визуализации геологической колонки.

Автоматизировать подсчет и отбраковку хлебобулочной продукции на конвейерной линии БКК Коломенский.

01 Батоны укладываются в лотки по 8 штук для дальнейшей транспортировки по конвейерной линии.

02 Существует несколько различных типов батонов отличающихся упаковкой.

03 Требовалось вести подсчет транспортируемой продукции по каждому SKU, а также своевременно отбраковывать лотки с отличающимся от нормы количеством батонов.

01 Осуществлена разметка датасета и обучена модель на базе YOLO для детекции лотков, подсчета количества батонов и классификации батонов по SKU.

02 Произведено подключение к установленной камере по RTSP, настроено «сканирование» видеопотока нейросетью и передача сигнала об отбраковке, осуществлен вывод собранных данных в пользовательский интерфейс.

03 В рамках реализации проекта достигнута точность по целевым метрикам заказчика более 95%.

Упростить поиск технической информации для сотрудников

При эксплуатации строительной техники у сотрудников регулярно возникают вопросы, требующие поиска информации в специализированной документации, что может занимать значительное количество времени

Нашей командой было проведено обучение большой языковой модели на документах заказчика (внутренние регламенты, руководства по эксплуатации и обслуживанию техники, строительные нормы итд) для корректного ответа на все технические вопросы, касающиеся спецтехники заказчика