Center: AI-LiquidOil

Основные статья:

• Видеоаналитика (термины, сферы применения, технологии)
• Компьютерное зрение (машинное зрение)
• Распознавание образов

2022: Анонс AI-LiquidOil

27 июня 2022 года компания «Центр» сообщила о разработке решения «AI-LiquidOil», которое осуществляет в автоматизированном режиме обработку видеоизображения для выявления разлива на земной поверхности и утечки жидкости на производстве с помощью искусственного интеллекта.

По информации компании, исходные видео/фото данные могут быть получены со спутников, с беспилотных летающих аппаратов, стационарных камер. Точность обеспечивается за счет использования технологий искусственного интеллекта и может достигать 98%. Игорь Лейпи, ГК Softline: Объем поставок российских операционных систем в ближайшие годы увеличится как минимум вдвое Программный продукт является кроссплатформенным, может устанавливаться на физическую и виртуальную вычислительную машину, имеет возможность работы с различными источниками данных, оптимизация вычислений может обеспечиваться за счет использования графических карт с поддержкой CUDA. Для определения точных признаков разливов применяются разные по происхождению данные:

• видеоизображения промышленных объектов;
• синтезированные данные, полученные в результате обработки предоставленных данных путем изменения угла просмотра, поворота, обрезания, изменения пропорций изображений;
• данные, полученные с помощью рендеринга изображения созданной 3д модели.

Такой подход помогает расширить наборы исходных данных для определения моделью точных признаков разливов. Для различных ситуаций «AI-LiquidOil» имеет три режима использования с различными уровнями достоверности:

• Базовый режим отвечает за обнаружение возможных разливов жидкости в видимом диапазоне с фиксацией видеоизображения места, времени обнаружения и источника данных;
• ИК режим в дополнении к базовому режиму при анализе используются данные с камер с инфракрасной подсветкой, что позволяет оптимизировать вероятность распознавания разлива жидкостей с камер, к примеру, на скважине или сепарационной установке;
• Термо режим в дополнении к базовому режиму при анализе используются данные с тепловизионной камеры, что позволят оптимизировать вероятность распознавания разливов нефтесодержащих жидкостей и отличить от лужи, мокрого асфальта.

Для периодической проверки правильности процесса, описываемого алгоритмом, проводится чередование обучающих данных. Тренировка нейронной сети осуществлялась на основе 200 файлов видео данных. Обученная точность выявления составила 90%. Прогнозируемая точность обучения на 10 тысячах файлов оценочно составит 98%.

Результат работы системы

Для выявления более точных результатов требовалось дать возможность системе точнее вывести основные признаки разлива. Для этого был увеличен объем (до 2 тысяч) и качество обучающего материала за счет применения трансформаций к исходным данным, применена стандартизация обучающего материала.

Результат работы системы

Во время работы большая часть времени уходит на тренировку большого потока данных. В соответствии с асинхронностью многопоточных вычислений имеется возможность оптимизировать обработку видео или обрабатывать несколько параллельно. В случае работы с несколькими экземплярами в рамках одного потока выбран только последовательный тип обработки. Это ограничение накладывается архитектурой для работы на многопоточной системе. Предпочтение отдается распараллеливанию вычислений для большой скорости обработки. Такой подход позволяет сократить время обработки в Nx0.7 раз, где N – количество потоков. Такая зависимость объясняется необходимостью выполнения процедур, не связанных с вычислениями нейронной сети.

Совершенствование алгоритмов нормализации разнородной (разно форматной) входной информации для оптимизации скорости обработки и качества обнаружения разливов.

Для оптимизации точности распознавания:

• Разрабатывается система рейтинга, на которой профильный специалист будет оценивать результаты работы алгоритма и вносить коррективы для обучения системы, смотреть спорные, неявные «разливы» и выставлять дополнительную оценку.
• Осуществляется увеличение базы сбора исходных данных, за счет спутниковых данных и количества данных от Заказчиков.
• Оптимизируется система конкуренции алгоритмов для выявления наиболее эффективного способа-алгоритма распознавания применительно к разным типам данных.

Для создания искусственных обучающих данных создаются цифровые 3D-модели разливов.

Система может быть интегрирована с ИС предприятия, а также функционировать локально и независимо. В локальной-независимой системе используется клиентское приложение с простым интуитивно понятным графическим интерфейсом. В случае разворачивания системы на серверной части могут быть использованы графический и консольный интерфейсы.

Графический интерфейс клиентского приложения

Основной упор в решении «AI-LiquidOil» направлен на интеграцию с существующими ИС Заказчика.