В «Петон» будут выявлять дефекты оборудования по фотографиям с помощью нейросети

НИПИ НГ «Петон» продолжает внедрять технологии искусственного интеллекта. В компании реализован проект по автоматизации выявления дефектов оборудования по фотографиям с помощью нейронной сети.

По словам специалистов, автоматизированное обнаружение дефектов по фотографиям сделает этот процесс более эффективным.

«Масштабные проекты, которые реализует «ПЕТОН», требуют высокого уровня автоматизации бизнеса и внедрения наиболее современных технологий», – прокомментировали в НИПИ НГ «ПЕТОН».

Для проверки дефектов на строительной площадке будет достаточно персонала невысокой квалификации и смартфона. Для этого оператор на площадке создает сообщение, прикрепляет к письму фотографии оборудования и отправляет на служебный почтовый ящик.

Затем чат-бот обрабатывает письма, запускает нейронную сеть для выявления дефектов и возвращает результат. Если дефекты обнаружены, то сообщение с выявленными дефектами и отчетом автоматически поступает контролёру для принятия решения.

Как отмечают на предприятии, проблема с обнаружением и минимизацией негативных последствий дефектов оборудования в строительной отрасли стоит очень остро. Традиционное выявление дефектов требует значительных трудозатрат на этапе процессов закупки и приёмки. Кроме того, потенциальные дефекты могут появиться после монтажа.

Использование цифровых технологий позволит оптимизировать распределение рабочих ресурсов компании, а также сократить расходы на замену и транспортировку оборудования в случае обнаружения проблем:

«Автоматизация выявления дефектов снижает расходы компании, обеспечивает более высокое качество работ и позволяет управлять рисками, которые могут трансформироваться в негативные последствия в перспективе», – рассказывают в НИПИ НГ «ПЕТОН».

Для выявления дефектов на фотографиях была выбрана нейронная сеть YOLO v4. По данным paperswithcode.com, это самая быстрая на сегодня нейронная сеть для обнаружения объектов в видеопотоках.

Для того, чтобы «обучить» нейронную сеть определять неисправности, были собраны наборы из более чем 2000 фотографии, на которых разметили дефекты каждого класса.

В дальнейшем тренировочный набор фотографий был увеличен с использованием аугментации данных – методике создания дополнительных наборов данных из имеющихся. Это сделано для того, чтобы нейронная сеть научилась понимать, что объект одного и того же класса может выглядеть по-разному, и выдавала корректный результат независимо от качества изображения.

«В ближайшее время по данному проекту планируется расширение номенклатуры изделий для определения дефектов, увеличение количества классов выявляемых дефектов и разработка специального приложение для удобной работы с нейронной сетью», - рассказали в пресс-службе НИПИ НГ«ПЕТОН».

В «Петон» отмечают, что ряд проектов по цифровизации и внедрению технологий искусственного интеллекта будет реализован до конца 2021 года.