Заказать обратный звонок
Я соглашаюсь на обработку персональных данных и ознакомлен(а) с Политикой конфиденциальности.
КЕЙС ВНЕДРЕНИЯ СИСТЕМЫ ML SENSE
Подсчет рыб с помощью нейросети для компании ZIZ
После 9 месяцев с момента внедрения решения завод увеличил производительность на 14%.
О проекте
Для компании ZIZ наша ML-команда разработала "под ключ" систему подсчета рыб с помощью машинного зрения.
После 9 месяцев с момента внедрения решения завод увеличил производительность на 14%.
После 9 месяцев с момента внедрения решения завод увеличил производительность на 14%.
Как организован процесс подсчета рыбы на рыбоводной ферме.
Перед началом подсчета работник фермы определяет из каких бассейнов и куда будут рассажены группы рыб.
Далее для их вылова подключают рыбонасос. Также используется специализированное оборудование для сортировки особей по размеру и распределению их по счетчикам, которые ведут учет.
Точка контроля представляет собой отсек трубопровода, в котором установлена камера видеонаблюдения для распознавания рыб и подсветка. (см. рис. 1)
Далее для их вылова подключают рыбонасос. Также используется специализированное оборудование для сортировки особей по размеру и распределению их по счетчикам, которые ведут учет.
Точка контроля представляет собой отсек трубопровода, в котором установлена камера видеонаблюдения для распознавания рыб и подсветка. (см. рис. 1)
Рис. 1. Пост видеофиксации.
Рис 2. Рыба проплывает точку контроля
Алгоритм распознавания рыб в видеопотоке и счетчик их количества
Для проекта мы использовали нейронную сеть Yolo 5. Мы обучили ее распознавать рыб на видео и учитывать их размер (мальки, средние и крупные особи).
В дополнение к работе нейросети внедрили механизм трекинга. Он нужен для правильного распознавания одной и той же рыбы на последовательности кадров, а также для определения ее местоположения в определенный промежуток времени. Это позволяет системе не считать одну и ту же рыбу дважды на разных кадрах.
Разработанная система согласно ТЗ ведет подсчет до 1500 рыб в минуту в режиме реального времени.
Но если вдруг нагрузка будет выше, то для экономии серверных ресурсов, все сверхлимитные потребности в расчетах сохраняются в буферную память и обрабатываться по мере снижения нагрузки.
В дополнение к работе нейросети внедрили механизм трекинга. Он нужен для правильного распознавания одной и той же рыбы на последовательности кадров, а также для определения ее местоположения в определенный промежуток времени. Это позволяет системе не считать одну и ту же рыбу дважды на разных кадрах.
Разработанная система согласно ТЗ ведет подсчет до 1500 рыб в минуту в режиме реального времени.
Но если вдруг нагрузка будет выше, то для экономии серверных ресурсов, все сверхлимитные потребности в расчетах сохраняются в буферную память и обрабатываться по мере снижения нагрузки.
Интерфейс оператора
Перед стартом подсчета рыб оператор заполняет поля с названиями бассейнов, из которого будет подаваться рыба и куда эта рыба будет перегоняться. Когда подсчет рыб запущен, в режиме реального времени на экране отображается актуальная информация о количестве рыб, проплывающих на каждой камере.
При этом приложение уведомляет оператора о слишком плотном потоке рыб (свыше 1500 шт. в минуту), чтобы соблюсти заявленную точность распознавания.
При необходимости можно выбрать определенный период и выгрузить подробную статистику подсчета в формате Excel.
При этом приложение уведомляет оператора о слишком плотном потоке рыб (свыше 1500 шт. в минуту), чтобы соблюсти заявленную точность распознавания.
При необходимости можно выбрать определенный период и выгрузить подробную статистику подсчета в формате Excel.
Рис. 3. Настройка и процесс подсчета рыбы глазами оператора.
Рис. 4. Настройка и процесс подсчета рыбы глазами оператора.
Итоги работы системы: точность подсчета рыб - 99,78%, рост производительности фермы на 14%.
При итоговом тестировании работы системы подсчета рыб специалистами "ZIZ" были подготовлены несколько партий, которые заранее были пересчитаны вручную.
Затем поочередно каждая партия пропускалась через соединительный канал счетчик и наша система их подсчитывала.
Соответственно 100% точность означала, что цифры подсчета вручную и системы должны совпасть.
Мы достигли итогового показателя в 99,78%, что превысило требования технического задания.
Затем поочередно каждая партия пропускалась через соединительный канал счетчик и наша система их подсчитывала.
Соответственно 100% точность означала, что цифры подсчета вручную и системы должны совпасть.
Мы достигли итогового показателя в 99,78%, что превысило требования технического задания.
Отзыв о нашей работе:
- Антон ЗибровДиректор ZIZПосле 9 месяцев от внедрения завод увеличил производительность с 130 до 150 тонн, на следующий год планы увеличить эту производительность до 200 тонн.
Таким образом легко посчитать, что система учета помогла увеличить производительность на 14% - это 28 млн рублей от 200 миллионной стоимости завода.
По планам увеличить производительность на 35%, а это уже 70 млн рублей и все это без дополнительного строительства и модернизации производства.
