Трибуна
Alexey Petrovichev
2585

«Нейросканер» — как нейросети ищут брак и поломки на производствах

В компаниях часто накапливаются задачи, для решения которых приходится держать целый штат работников: следить за камерами, выявлять брак, анализировать дефекты в оборудовании. Мы создали технологию, которая делает всё это с помощью нейросетей.

В закладки

С чего мы начали

Проект начался с машинного зрения: мы разрабатывали технологию, оценивающую качество изображений с камер с помощью искусственного интеллекта.

Представьте компанию, которая устанавливает системы видеонаблюдения, она должна не только поставить камеры, но и контролировать их работу: не заклеили ли их злоумышленники, есть ли сигнал, не испортилось ли качество изображения.

Всё это ещё недавно мог делать только человек. Целый штат сотрудников сидит с 9:00 до 18:00 перед мониторами и смотрит записи, а это утомительно и сложно. Компания, с которой мы сотрудничали, подсчитала, что за рабочий день человек может проверить не больше 2000 камер, то есть такой процесс ещё и не очень эффективен.

Мы обучили нейросеть с точностью до 97,7% определять все нужные параметры и находить камеры с какими-то проблемами и неисправностями. Она даже может оценить запылённость объектива.

В 2017 году нашу разработку внедрила компания, которая делает домофоны и другие системы безопасности.

Благодаря этому удалось сократить штат из 20 человек до одного сотрудника на неполной ставке: нейросеть выделяет камеры с подозрительными показаниями, так что человеку в день нужно проверить не больше 20 записей. Правда, почти через год после внедрения нам пришлось дообучать систему зимой, потому что из-за изменившегося ландшафта увеличилось число ложных срабатываний.

Пример работы программы по распознаванию качества изображения камер
Пример работы программы по распознаванию качества изображения камер

Мы отлаживали метод автоматической расшифровки цифровых сигналов с помощью нейросетей и примерно полтора года назад поняли, что его можно применять не только для анализа камер. Искусственный интеллект можно обучить, например, находить дефекты в твёрдых телах: оборудовании, железнодорожных рельсах.

Мы начали разбираться с патентами в этой сфере и обнаружили, что таким ещё никто не занимался. Тогда наша компания «Нейросканер» запатентовала технологию на российском уровне, а сейчас выходит на международный — мы уже получили положительный ответ от организации по интеллектуальной собственности.

Кто наши клиенты

Крупные производства и промышленные компании очень заинтересованы в дефектоскопии, то есть поиске дефектов в оборудовании и материалах. Они и являются нашими основными потенциальными клиентами.

Например, наш искусственный интеллект можно применить для распознавания картины дефектов, полученной с помощью ультразвуковой диагностики.

Наверное, все проходили УЗИ: там с помощью ультразвуковых волн врачи получают изображение внутренних органов. Примерно то же происходит и при ультразвуковой дефектоскопии, только вместо организма мы видим какие-то пустоты, каверны и трещины в металле или оборудовании. Это позволяет определять причины поломок или даже предсказывать неисправности заранее.

Сейчас картины, полученные таким методом, могут анализировать только специалисты. Конечно, уже были попытки создавать программы для выявления дефектов, но пока они работают очень грубо: выявляют слишком много трещин, даже незначительных, так что данные всё равно приходится фильтровать вручную.

Мы же на основе картин дефектов и их расшифровок обучили «Нейросканер» находить неисправности. Преимущество в том, что она даёт «человекочитаемые» ответы, и пользователю не приходится задумываться о том, какова глубина залегания трещины или какой у неё спектр.

Это остро востребованная тема, например, для РЖД. Перед ними стоит цель увеличить перевозки и при этом на 30% сократить расходы, а сделать это можно только за счёт автоматизации процессов.

При этом сейчас поиск дефектов в вагонах и рельсах решается по-старинке: дефектоскоп собирает нужные данные, затем их передают в офис, после этого расшифровщики их анализируют — на всё это уходит две недели, огромный срок для такой задачи.

Наша технология как раз позволит ускорить этот процесс и сократить огромный штат дефектоскопистов. Мы уже обсуждаем сотрудничество с РЖД. Пока подсчитали, что внедрение «Нейросканера» сэкономит компании около 700 млн рублей в год на анализе дефектов.

Но это, конечно, только одно из многих применений: на самом деле мы можем быстро обучать те или иные алгоритмы, не меняя ядро технологии. К примеру, «Нейросканер» сейчас используется на одном фармацевтическом производстве, выявляет там брак.

Раньше работники самостоятельно отслеживали поломанные таблетки на конвейере или тару, куда налили недостаточно вещества, а теперь система сама распознает брак и сигнализирует о нём. Это помогло быстро снизить количество претензий со стороны поставщиков.

С какими сложностями столкнулись

Мы стартап, так что хватались практически за все направления, в которых могли придумать применение для технологии. Часто происходило так: мы приходим в компанию с одной идеей, показываем свои возможности, а нам отвечают: «Стоп, это нам не надо, но у нас есть другая "боль", которую мы хотим решить с помощью вашей технологии».

Например, к компании, устанавливающей системы безопасности, мы изначально пришли с идей распознавать лица, а нам ответили, что это не актуально — вместо этого мы занялись анализом качества изображения камер.

Один раз мы неверно выбрали сферу деятельности и потратили много времени впустую: занялись распознаванием болезней растений. Система научились качественно это делать, но с точки зрения бизнеса направление оказалось тупиком.

Крупными производствами оно не востребовано, а в частном применении (например, дачниками или на домашних растениях) никогда не окупится. Поэтому эту идею мы оставили.

Интерфейс приложения, распознававшего заболевания томатов

Также от сотрудничества с нами отказываются из соображений социальной ответственности. Например, одна компания (охранная фирма, где мы тоже предлагали анализировать изображения с камер) отклонила предложение, потому что «Нейросканер» заменил бы собой штат из 70 пенсионеров — компания приняла решение не лишать их работы даже из соображений экономической выгоды.

Чем заняты сейчас

Уже несколько месяцев мы участвуем в акселерационной программе группы компаний «Кировский завод» и Pulsar Venture Capital. В рамках пилотного проекта применяем технологию для вибродиагностики насосов на предприятии «КировТЭК»: сейчас этот контроль осуществляется с большими затратами, потому что это технически сложно.

«Нейросканер» помогает узнать, что в оборудовании может сломаться — благодаря этому можно заранее заказать нужные детали, скорректировать график работы. Пилотный проект даёт возможность плотно общаться с поставщиками оборудования и работниками, у нас уже появляется понимание проблем и нужд компании, а это очень ценно.

Акселерация оказалась очень полезной: она помогает прокачивать экономическую сторону проекта, а на неё обычно не хватает времени. С менторами мы продумываем стратегию выхода на рынок, определяем стоимость продукта: довольно сложно самостоятельно посчитать, за сколько нужно продавать решение компаниям.

К чему мы стремимся

Наша конечная цель — создание системы, которая будет контролировать разные этапы производства: оценивать качество сырья, материала, задействованного оборудования и конечного продукта. То есть мы стремимся создать «умное» управление производством, практически исключить участие человека.

При этом собственник получит полный контроль над бизнесом: на экране телефона можно будет видеть картину производства. Это поможет сократить расходы и почти убрать человеческий фактор, из-за которого часто возникают ошибки или даже коррупция.

Когда мы достигнем этого, у компании появится дополнительная ценность: мы будем знать всё о материалах, оборудовании и готовой продукции. Это позволит предсказывать качество продукции по исходным данным. То есть ценность, которую мы хотим продавать клиентам, — это не только снижение расходов, а, скорее, полное понимание процесса производства и возможность его контролировать. К этому мы стремимся.

Материал опубликован пользователем.
Нажмите кнопку «Написать», чтобы поделиться мнением или рассказать о своём проекте.

Написать
{ "author_name": "Alexey Petrovichev", "author_type": "self", "tags": ["\u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0441\u0442\u0432\u043e","\u0438\u0438"], "comments": 10, "likes": 14, "favorites": 22, "is_advertisement": false, "subsite_label": "tribuna", "id": 79760, "is_wide": false, "is_ugc": true, "date": "Mon, 19 Aug 2019 14:02:41 +0300", "is_special": false }
0
{ "id": 79760, "author_id": 346852, "diff_limit": 1000, "urls": {"diff":"\/comments\/79760\/get","add":"\/comments\/79760\/add","edit":"\/comments\/edit","remove":"\/admin\/comments\/remove","pin":"\/admin\/comments\/pin","get4edit":"\/comments\/get4edit","complain":"\/comments\/complain","load_more":"\/comments\/loading\/79760"}, "attach_limit": 2, "max_comment_text_length": 5000, "subsite_id": 199116, "last_count_and_date": null }
10 комментариев
Популярные
По порядку
Написать комментарий...
3

Господа авторы статьи, смутно могу оценить ваш успех, тк вы не указали долю аномалий в датасете в обучающей и тестовой выборке. Тк понятие точность есть метрика смещенная относительно маленьких классов, а аномалии и поломки оборудования это редкое событие в технологическом процессе. Поэтому получается, что авторы статьи ловят "хайп", пожалуйста, дайте другую метрику, например F1Macro score, полноту и точность вместе или, на худой конец, ROC AUC. Accuracy в 97.7% может означать, что в ваших данных было 97.7 нормальных данных и остальные 2. 3% аномалий, вот ваша модель могла считать все 100% данных хорошими, и при этом угадать 97.7% из них, а на ВСЕХ аномалиях ошибаться.

Ответить
0

Что касается камер, то это была целая история, такое редко бывает, потому что здесь заказчик сам на протяжении почти года собирал данные, которые правильно разметил и подготовил, нам оставалось только обучить нейросеть.
К сожалению, в большинстве случаев основная проблема это подготовка данных, тут Вы правы.

Ответить
1

Суть моего комментария не в этом. А в том, что вы не указали баланс классов и более корректную метрику оценки качества вашего алгоритма. Вы меня понимаете?

Ответить
1

Честно говоря, это было уже почти 2 года назад, так что конкретные соотношения надо уже вспоминать. Естественно, что "плохих" изображений было мало относительно общего числа, порядка 1-2%. Заказчик сразу определил, что его больше волнует снижение ошибок 2 рода, так что речь, конечно, идет о точности распознавания "плохих" изображений.
Остаток false negative на самом деле в большинстве случаев просто демонстрирует зарождающееся загрязнение, которое человек ещё не видит.

Ответить
0

Спасибо за пояснение

Ответить
2

Молодцы, что не упираетесь в разработку, а ищете и находите варианты монетизации продукта!

"...у компании появится дополнительная ценность: мы будем знать всё о материалах, оборудовании и готовой продукции. Это позволит предсказывать качество продукции по исходным данным..." - я бы пошел дальше и оцифровывал влияние такого качества на выручку/маржу/потери клиентов, а на накопленных данных заодно построил бы предиктивные модели по отраслям и сегментам бизнеса для роста ваших продаж

Ответить
1

Круто!
Где более подробно о Вас можно прочесть?

Ответить
1

Суть всего поста -
<<Благодаря этому удалось сократить штат из двадцати человек до одного сотрудника на неполной ставке: нейросеть выделяет камеры с подозрительными показаниями, так что человеку в день нужно проверить не больше двадцати записей. Правда, почти через год после внедрения нам пришлось зимой дообучать систему, потому что из-за изменившегося ландшафта увеличилось число ложных срабатываний.>>

Завтра сдублируют Вас я гарантирую.

https://youtu.be/Yvs7f4UaKLo

Ответить
{ "page_type": "article" }

Прямой эфир

[ { "id": 1, "label": "100%×150_Branding_desktop", "provider": "adfox", "adaptive": [ "desktop" ], "adfox_method": "createAdaptive", "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "ezfl" } } }, { "id": 2, "label": "1200х400", "provider": "adfox", "adaptive": [ "phone" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "ezfn" } } }, { "id": 3, "label": "240х200 _ТГБ_desktop", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fizc" } } }, { "id": 4, "label": "Article Branding", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "p1": "cfovx", "p2": "glug" } } }, { "id": 5, "label": "300x500_desktop", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "ezfk" } } }, { "id": 6, "label": "1180х250_Interpool_баннер над комментариями_Desktop", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "pp": "h", "ps": "bugf", "p2": "ffyh" } } }, { "id": 7, "label": "Article Footer 100%_desktop_mobile", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fjxb" } } }, { "id": 8, "label": "Fullscreen Desktop", "provider": "adfox", "adaptive": [ "desktop", "tablet" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fjoh" } } }, { "id": 9, "label": "Fullscreen Mobile", "provider": "adfox", "adaptive": [ "phone" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fjog" } } }, { "id": 10, "disable": true, "label": "Native Partner Desktop", "provider": "adfox", "adaptive": [ "desktop", "tablet" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "clmf", "p2": "fmyb" } } }, { "id": 11, "disable": true, "label": "Native Partner Mobile", "provider": "adfox", "adaptive": [ "phone" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "clmf", "p2": "fmyc" } } }, { "id": 12, "label": "Кнопка в шапке", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "p1": "bscsh", "p2": "fdhx" } } }, { "id": 13, "label": "DM InPage Video PartnerCode", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "adfox_method": "createAdaptive", "adfox": { "ownerId": 228129, "params": { "pp": "h", "ps": "bugf", "p2": "flvn" } } }, { "id": 14, "label": "Yandex context video banner", "provider": "yandex", "yandex": { "block_id": "VI-223676-0", "render_to": "inpage_VI-223676-0-1104503429", "adfox_url": "//ads.adfox.ru/228129/getCode?pp=h&ps=bugf&p2=fpjw&puid1=&puid2=&puid3=&puid4=&puid8=&puid9=&puid10=&puid21=&puid22=&puid31=&puid32=&puid33=&fmt=1&dl={REFERER}&pr=" } }, { "id": 15, "label": "Баннер в ленте на главной", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "adfox": { "ownerId": 228129, "params": { "p1": "byudx", "p2": "ftjf" } } }, { "id": 16, "label": "Кнопка в шапке мобайл", "provider": "adfox", "adaptive": [ "tablet", "phone" ], "adfox": { "ownerId": 228129, "params": { "p1": "byzqf", "p2": "ftwx" } } }, { "id": 17, "label": "Stratum Desktop", "provider": "adfox", "adaptive": [ "desktop" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fzvb" } } }, { "id": 18, "label": "Stratum Mobile", "provider": "adfox", "adaptive": [ "tablet", "phone" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fzvc" } } }, { "id": 19, "disable": true, "label": "Тизер на главной", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "p1": "cbltd", "p2": "gazs" } } } ] { "page_type": "default" }