Комплекс аппаратного и программного обеспечения для обнаружения дефектов труб.
mai cv
На этапе реализации проекта мы смогли достичь значительных результатов за месячный период, включая проведение исследований и дальнейшее развитие. Созданный нами инструмент для генерации синтетических данных может быть использован для взаимосвязанных задач генерации наборов данных
и обучения нейронных сетей.
и обучения нейронных сетей.
Год: 2020
Клиент: Центр БПЛА МАИ
Продолжительность: 1 месяц
Команда проекта:
Руководитель проекта - Олег Юсупов
Исследования и разработка - Вадим Кондарацев, Александр Кручков, Роман Чумак
Компьютерная графика - Роман Чумак
Разработка - Андрей Иванов
Клиент: Центр БПЛА МАИ
Продолжительность: 1 месяц
Команда проекта:
Руководитель проекта - Олег Юсупов
Исследования и разработка - Вадим Кондарацев, Александр Кручков, Роман Чумак
Компьютерная графика - Роман Чумак
Разработка - Андрей Иванов
Снижение временных и финансовых затрат на проведение технического обслуживания тепловой электростанции. Этот процесс включает в себя такие действия, как диагностика труб на наличие повреждений или дефектов с помощью беспилотных летательных аппаратов (БПЛА). Полученные данные затем анализируются с помощью программного обеспечения. Наша цель состояла в реализации программного прототипа для возможности обнаружения дефектов на основе фото- и видеоданных, полученных с помощью БПЛА.
Мы разбили наш проект на несколько этапов:
― разработка программного обеспечения для разметки данных в CVAT;
― создание инструмента для аугментации данных;
― создание инструмента для генерации синтетических данных;
― обучение нейронных сетей (YoloV4, DetectoRS) для анализа изображений;
― создание клиентского приложения, которое служило бы для загрузки видеопотока с БПЛА и анализа состояния труб.
― разработка программного обеспечения для разметки данных в CVAT;
― создание инструмента для аугментации данных;
― создание инструмента для генерации синтетических данных;
― обучение нейронных сетей (YoloV4, DetectoRS) для анализа изображений;
― создание клиентского приложения, которое служило бы для загрузки видеопотока с БПЛА и анализа состояния труб.
Что мы сделали и как мы это сделали:
- Исследование
Мы разбили наш проект на несколько этапов:
― собрали информацию о передовых решениях в области обнаружения объектов на изображении;
― подготовили и описали 3 кандидатские глубокие архитектуры;
― описали текущее состояние наборов данных, инструментов разметки данных и метрик качества
в аналогичных задачах и проектах;
― описали варианты использования инструментов генерации синтетических данных.
― собрали информацию о передовых решениях в области обнаружения объектов на изображении;
― подготовили и описали 3 кандидатские глубокие архитектуры;
― описали текущее состояние наборов данных, инструментов разметки данных и метрик качества
в аналогичных задачах и проектах;
― описали варианты использования инструментов генерации синтетических данных.
2. Разработка
Проведение аналитического отчета совместно с нашими партнерами из МАИ (Московского Авиационного Института) было значимой частью нашего проекта. Нам было необходимо доказать, что поставленная цель может быть достигнута с помощью техник компьютерного зрения, и выбрать наиболее эффективный способ реализации проекта.
Затем мы провели обучение выбранных архитектур на различных наборах данных (тех, которые были собраны совместно с нашими партнерами, и тех, которые мы сгенерировали сами). В результате мы разработали прототип веб-клиент-серверного приложения, в котором интегрировали нейронные сети, обученные на обнаружение дефектов труб. Клиент может загружать данные с дрона (в формате json), чтобы узнать как визуальное, так и техническое состояние труб.