Задача:

Каждое клише имеет индивидуальный номер. Данный номер или его часть наносятся на клише двумя способами:
• маркером с помощью робота для оператора;
• с помощью лазерной гравировки в район микроточек, используемых для позиционирования.

Сложности:

Нанесение неверных клише (гибкие резиновые формы для высокой печати) – критически важная потеря для предприятия, так как данный дефект трудно обнаружить на производстве и бывают случаи отправления этого дефекта заказчику, что сильно бьет по репутации компании.

Первый алгоритм, основанный на OCR, работал недостаточно устойчиво на вариативных данных, из-за чего нуждался в частом вмешательстве оператора.

Решение:

Из всех опробованных архитектур разработчики остановились на решении на базе нейросети YOLO2. Для формирования датасета коллектив разметил несколько тысяч изображений с использованием продукта Image Labeler.

Результат:

Разработана система видеозахвата и распознавания, работающая на GPU (Parallel Computing Toolbox). Время распознавания достигло 0.05 секунд – качество 97 %.

Успешно выполнен проект, воплощающий технологии Индустрии 4.0.

Задача:

Использовать видео с уже установленных камер видеонаблюдения для распознавания возгорания и тем самым повысить безопасность помещения или территории.

Сложности:

Классические методы машинного зрения опираются на ручное определение признаков детектируемого объекта. В случае с возгоранием признаки могут быть самыми разными, а неудачный выбор камеры может сделать их регистрацию невозможной. Нужно решение, которое можно будет автоматически адаптировать, а лучше – переобучать по своему желанию.

Решение:

Обученная модель детектирует пламя областью от 15х30 пикселей (можно конфигурировать), присутствующее в 5 или более последовательных кадрах. К тому же модель устойчива к ряду ложных сигналов.

А ещё алгоритм работает с любыми камерами, его производительность (количество обрабатываемых кадров в секунду) зависит от производительности сервера, на котором запущена распознающая модель.

Результат:

Алгоритм можно запускать как на сервере видеоаналитики, так и во встроенном виде, на платформе NVIDIA Jetson, в составе умной камеры. В целом, оптический алгоритм может выявить возгорание гораздо раньше, чем на него отреагируют детекторы на потолке.

Цель:

Автоматизировать процесс распознавания еврокода стекла по фотографии.

Сложности:

Недостаточная база данных. Данные низкого качества. Помехи в виде отражений на стекле.

Решение:

Компания Экспонента помогла заказчику на всех этапах проекта: от помощи в сборе базы данных до реализации нейросетевых алгоритмов на сервере.

Результат:

Достигнута требуемая заказчиком точность 95%.

Задача:

Разработать нейросетевой алгоритм распознавания автомобильных номеров для реализации на ПЛИС и GPU. 

Сложности:

Гетерогенная архитектура GPU + FPGA. «Наследие» в виде сети с точностью 95%.

Решение:

Отладка общего алгоритма на модели (локализация и распознавание).
Использование генераторов кода HDL и CUDA.

Результат:

Достигнута точность распознавания 97% на новой сети.