Стажировка
Нейро-контроль преформ: Система автоматизированного визуального мониторинга
- Создан промышленный пайплайн: Система способна обрабатывать поток кадров с задержкой менее 300 мс
- Умная детекция: Внедрена технология OBB, позволяющая системе «видеть» преформу под любым углом и выравнивать её для анализа
- Высокая точность: Достигнута точность классификации брака >97% на тестовых выборках
- Полный цикл мониторинга: Реализованы дашборды, отображающие нагрузку на воркеры и статистику брака в реальном времени
- Готовность к MVP: Код полностью контейнеризирован и готов к развертыванию на мощностях заказчика
Результаты проекта
- AI & CV: Python 3.12, OpenCV, YOLOv8/11 (OBB, Segmentation), Albumentations
- Infrastructure: Docker & Docker Compose, Redis (буферизация), PostgreSQL
- Monitoring & UI: Prometheus, Grafana, Django (админ-панель)
Используемый технологический стек
- Разработка Pipeline: Создание архитектуры обработки кадров от захвата с камер до выдачи результата
- Геометрический контроль: Написание CV-алгоритмов для замера длины, ширины и проверки прямолинейности
- DL-моделирование: Обучение нейросетей YOLO для детекции 7 типов брака поверхности
- Интеллектуальная сегментация: Внедрение OBB (Oriented Bounding Boxes) для корректной вырезки объектов
- Мониторинг: Настройка сбора метрик через Prometheus и дашбордов в Grafana
Задачи проекта
Создать промышленный прототип системы нейро-контроля, который:
- Снижает долю пропущенного брака до уровня менее 8%
- Обеспечивает 93% охват всей производимой продукции
- Достигает точности классификации дефектов не ниже 98%
- Автоматизирует сбор детальной статистики для анализа причин брака
цель проекта
Проект посвящен разработке программно-аппаратного комплекса для интеллектуального контроля качества ПЭТ-преформ непосредственно на конвейере. Система заменяет ручной осмотр нейросетевым анализом, который в реальном времени обнаруживает изделия, замеряет их геометрию и классифицирует дефектные образцы (пригары, пузыри, вкрапления), обеспечивая полную прозрачность производства.
Суть проекта
Участники
команды проекта
команды проекта
- Николай КусТимлид проекта
- Руководил проектом
- Определял архитектурный облик системы и взаимодействовал с заказчиком
- Елена Михнопомощник тимлида
- Координировала внутренние процессы
- Контролировала и управляла коммуникациями внутри команды
- Быков Андрейстажер
- Разработал алгоритмы первичного обнаружения преформ (Canny, моменты изображения, PCA для определения главной оси)
- Реализовал матрицу аффинного поворота для выравнивания преформ по горизонтали
- Создал систему измерения геометрии (L, Z, d1) и прямолинейности
- Спроектировал пайплайн из 5 модулей (Initializer, Orchestrator, Loader и др.)
- Перевел систему в Docker-контейнеры, интегрировал Redis и PostgreSQL, настроил мониторинг в Grafana и Prometheus с автоматическим провижинингом дашбордов
- Степанов Павелстажер
- Реализовал и обучил модель YOLOv8n-OBB (Oriented Bounding Boxes) для детекции преформ под углом, достигнув точности >97%
- Самостоятельно разработал программу для аугментации OBB-аннотаций (флипы, повороты), увеличив датасет до 4096 изображений
- Решил проблему лимитов хранения, внедрив конвертацию в JPG 95% без потери точности для детекции
- Создал модуль для вырезки и подготовки субкадров в бинарном формате для Redis
- Мартынова Мариястажер
- Интегрировала Django и настроила связь с БД Postgres
- Создала CI/CD пайплайны в GitHub. Реализовала парсер видеопотока для загрузки фреймов напрямую в Redis
- Обучила модели YOLOv8n и YOLO11n на 1000+ изображениях (точность 94%). Подготовила скрипты конвертации меток из формата .txt в .json для LabelStudio
- Пуджа Алёнастажер
- Создала код для измерения размеров (L, d1, d2, I, Z) с автоматической калибровкой по пикселям
- Разработала модули детекции разнооттеночности и разводов красителя с валидацией по реестрам заказчика (100% точность на тестах)
- Обучала YOLO11m на датасетах из 3-х классов, исследовала влияние параметров (temperature tuning) на стабильность ответов
- Саламатина Аннастажер
- Курировала группу «Разводы красителя», распределяла задачи и контролировала качество аннотаций
- Проводила эксперименты по усилению видимости дефектов через цветовые фильтры и Photoshop
- Обучила финальную модель на 5 классах дефектов, подготовив сравнительные отчеты по версиям обучения
- Гуща Натальястажер
- Обучила нейросети на 3, 4 и 5 классах дефектов (точность 0.98)
- Разработала стратегии для «малочисленных» классов (воздушные пузыри, пригар)
- Исследовала применимость модели SAM (Segment Anything Model) для автоматизации разметки
- Свечников Александрстажер
- Синхронизировал работу групп разметки по классам «Пузыри» и «Пригар»
- Обучил YOLO11N-SEG на расширенном датасете (с 211 до 931 фото)
- Написал алгоритмы на OpenCV для обнаружения и обрезки преформ под задачи классификации
- Осташков Андрейстажер
- Обучил модель YOLOv4-tiny для распознавания контуров преформ (точность 99%), провел глубокое изучение материалов по детекции
- Гончаренко Александрстажер
- Провел критический анализ методов определения брака по цвету, разработал код для анализа цветовых характеристик преформы
- Ковалев Александрстажер
- Разработал скрипты для генерации субкадров и проводил эксперименты по первичной детекции и построению моделей
- Кузнецов Игорьстажер
- Выполнил разметку изображений по 3 классам, провел аудит скриптов ориентации и осветления, предложенных коллегами
- Чоповдя Владиславстажер
- Обеспечил массовую разметку данных в формате YOLO, проводил тесты с различными архитектурами YOLOv8
- Фомин Викторстажер
- Разметил и аугментировал специфический датасет «воздушные пузыри», подготовив данные для обучения классификатора
- Еркина Евгениястажер
- Провела серию экспериментов по выявлению дефектов цвета через цветокоррекцию, разметила более 100 сложных кадров с вкраплениями
- Хмельницкий Михаилстажер
- Выполнил более 300 разметок по классам «пузыри» и «разводы», активно участвовал в первичной подготовке данных
- Незерецкий Кириллстажер
- Провел разметку дефектов на файлах заказчика в LabelStudio
- Колесов Игорьстажер
- Занимался настройкой и управлением LabelStudio для всей команды