Стажировка по проекту
Компания: ООО «СибАкадемСкан» производитель сканеров рентгеновского досмотра СРК «СибСкан-М1»
Система обнаружения запрещенных предметов на рентгеновских снимках
Суть проекта
Задача
Для чего
Вводные данные
Выходные данные
Разработать систему рентгеновского контроля, используя установку «Сибскан-М1», с интеграцией нейронной сети для обнаружения запрещенных предметов и материалов на сканированных изображениях людей
Проект предоставляет два варианта интеграции и использования системы:
1 Разработано десктопное приложение с использованием библиотеки PyQt5;
2 Разработан API (интерфейс программирования приложений), который позволяет интегрировать систему рентгеновского контроля в другие десктопные приложения
1 Разработано десктопное приложение с использованием библиотеки PyQt5;
2 Разработан API (интерфейс программирования приложений), который позволяет интегрировать систему рентгеновского контроля в другие десктопные приложения
Файлы рентгена с установки «Сибскан-М1»
Безопасность: система создается для обеспечения безопасности на публичных местах, таможенных постах, аэропортах и других объектах, где необходим контроль за наличием запрещенных вещей и материалов.
Обнаружение угроз: система позволяет автоматически выявлять предметы, которые могут представлять угрозу для безопасности, такие как оружие, взрывчатые вещества и наркотики.
Эффективность: использование нейронной сети повышает точность обнаружения и снижает вероятность ложных срабатываний, связанных с человеческим фактором.
Автоматизация: система автоматизирует процесс анализа сканированных изображений, что обеспечивает более быстрый и эффективный контроль.
Расширяемость: при наличии соответствующего датасета система может быть дополнительно развита для обнаружения конкретных классов запрещенных предметов, повышая общий уровень безопасности
Обнаружение угроз: система позволяет автоматически выявлять предметы, которые могут представлять угрозу для безопасности, такие как оружие, взрывчатые вещества и наркотики.
Эффективность: использование нейронной сети повышает точность обнаружения и снижает вероятность ложных срабатываний, связанных с человеческим фактором.
Автоматизация: система автоматизирует процесс анализа сканированных изображений, что обеспечивает более быстрый и эффективный контроль.
Расширяемость: при наличии соответствующего датасета система может быть дополнительно развита для обнаружения конкретных классов запрещенных предметов, повышая общий уровень безопасности
Участники
команды проекта
команды проекта
- Терещенко АлексейТимлид проектаАлексей - руководитель группы разработчиков, отвечал за полную разработку проекта
- Алексеев ПавелUnity Developer / участвовал в разработке цифровой платформы музея РЖД
- Работа с датасетом: изменение исходных картинок, переформатирование для объединения с датасетом Roboflow;
- Применение фильтров для выявления скрытых признаков на изображении (фильтры Гаусса, Лапласа-Гаусса, Собеля, Гаусса-Фурье);
- Разметка датасета в программе Make Sense (разметка одного класса объектов);
- Обучение сети Yolo на размеченном датасете из jpg картинок;
- Создание десктопного приложения с интеграцией в него обученной нейросети Yolo и Sam;
- Обучение сети Yolo на уже размеченном втором датасете (с разметкой двух классов объектов);
- Интеграция нескольких вариантов нейросетей в приложение
- Резер АртемРаботал в сфере поставок маталлообрабатывающих станков с ЧПУ, инструмента и оснастки для машиностроения, проектирования технологических процессов на станках с ЧПУ
- Обучение на локальной GPU моделей Yolov8 на датасетах с одним и двумя классами объектов;
- Подготовка весов для встраивания в разрабатываемое в проекте десктопное приложение;
- Подбор гипер параметров, тестирование моделей;
- Анализ датасетов с применением специального парсера;
- Предобработка данных с использованием библиотеки Opencv;
- Разметка датасета с применением labelIng, CVAT
- Кобызев ЮрийНачальник отдела информационных систем ООО СТЭККОМ (специалист по биллинговым системам операторов связи)
- Предобработка данных с использованием библиотеки OpenCV;
- Разметка датасета в программе Make Sense (разметка одного класса объектов);
- Обучение сеть Yolov8s для детекции, а также ее интеграции с блоком сегментации hq-sam;
- Подготовка весов для встраивания в разрабатываемое в проекте десктопное приложение
- Смирнов Даниилгеодезист: Занимается инженерно-геодезическими изысканими под строительство
- Разметка датасета в программе Make Sense;
- Применение фильтров для выявления скрытых признаков изображении;
- Подготовка данных для DETR модели;
- Обучение сети DETR на острове трансформеров
- Ткаченко романИнженер в лаборатории МИРЭА
- Применение фильтров для выявления скрытых признаков изображении;
- Разметка датасета в программе Make Sense;
- Обучение сети Yolo на размеченном датасете
- Максименко ДмитрийРаботает в ИТ: Эксперт по телекоммуникациям
- Применение фильтров для выявления скрытых признаков изображении;
- Разметка датасета в программе Make Sense;
- Обучение сети YOLO на размеченном датасете
- Зотова АнастасияData Science , Разработчик C++ / Python
- Разметка датасета с применением labelIng, CVAT;
- Применение фильтров для выявления скрытых признаков изображении;
- Подбор архитектуры и пайплайна, обучение и тестирование модели нейронной сети
Демонстрация проекта
