Авторы

Использование алгоритма YOLOv3 с процедурами пред- и постобработки для обнаружения плодов роботом для сбора яблок

Развитие роботизированного сбора урожая может способствовать сокращению доли тяжелого ручного труда в садоводстве, достигающего 40%, а также недобора урожая, который доходит до 50%. Роботы для сбора плодов разрабатываются с конца 1960-х гг., однако ни один существующий прототип не используется на практике из-за низкой скорости сбора урожая и большой доли нераспознанных плодов, остающихся на деревьях. Цель исследования – разработка алгоритма обнаружения яблок на изображениях, способного работать быстро и находить как можно большую долю яблок. Для этого предложено использование сверточной нейронной сети YOLOv3 в сочетании со специальными процедурами пред- и постобработки, позволяющими улучшить качество распознавания яблок, в том числе в ситуациях наличия теней, бликов, различных повреждений яблок, пустых просветов между листьями, по форме напоминающих яблоки, перекрытия яблок ветвями, листьями и другими яблоками. Алгоритм распознает и красные, и зеленые яблоки, способен работать как с изображениями одиночных яблок на фотографиях крупного плана, так и с изображениями многочисленных яблок на фотографиях общего плана. Оценка качества алгоритма проводилась на тестовом наборе из 818 изображений красных и зеленых яблок (всего 5142 яблока). Среднее время обнаружения яблока составило 19 мс, доля объектов, которые ошибочно принимаются за яблоки, оказалась на уровне 7,8%, а доля нераспознанных яблок – на уровне 9,2%. И среднее время обнаружения, и частота ошибок оказались заметно меньше, чем во всех известных аналогичных системах. Читать дальше...

Приложения компьютерного зрения в горнодобывающей промышленности

В последнее десятилетие происходит активная цифровизация промышленного производства на основе бурно развивающихся информационных технологий, в том числе технологий искусственного интеллекта. Во многом это связано с развитием методов глубокого обучения и их применения в компьютерном зрении. С середины 2010-х сверточные нейронные сети демонстрируют исключительную эффективность при решении таких задач, как обнаружение, классификация и сегментация различных объектов. В результате методы компьютерного зрения начинают активно использоваться в задачах контроля качества сырья и готовой продукции. Все это относится к горнодобывающей промышленности. Однако в отечественной научной литературе практически отсутствуют систематические обзоры приложений компьютерного зрения в этой области. Настоящее исследование призвано восполнить этот пробел. В данной работе дается систематический обзор истории развития и современного состояния методов и технологий машинного зрения, применяемых в горнодобывающей промышленности для анализа твердых материалов, демонстрируются последние достижения в этой области и примеры их применения в горном деле. Авторы проанализировали 29 научных работ в области применения компьютерного зрения в горнодобывающей промышленности и классифицировали этапы развития технологий, начиная с середины 1980-х гг., когда компьютерное зрение использовалось без применения машинного обучения, и заканчивая современными исследованиями на основе использования глубоких сверточных нейронных сетей для решения задач классификации и сегментации. Приводится сравнение эффективности применяемых методов, обсуждаются их достоинства и недостатки, даются прогнозы развития методов компьютерного зрения в горнодобывающей промышленности на ближайшее будущее. Приведены примеры, показывающие, что использование сверточных нейронных сетей позволило перейти на качественно более высокий уровень в решении задач классификации и сегментации применительно к анализу объемов выпуска продукции горнодобывающей промышленности, гранулометрического состава, в том числе лещадности, угловатости и шероховатости, содержания пыли и глины, насыпной плотности и пустотности и др. Читать дальше...

Применение глубокого обучения для сегментации камней на конвейерах и складах горнодобывающих предприятий

В последнее десятилетие внедрение методов искусственного интеллекта в промышленность происходит все быстрее. Развитие алгоритмов глубокого обучения и появление возможности хранить и обрабатывать большие объемы информации позволяет быстро и эффективно автоматизировать задачи, которые ранее могли решать только люди – сотрудники предприятий, а полученные результаты не только соответствуют когнитивным способностям человека, но и зачастую их превосходят. Интересным примером рутинной задачи, автоматизация которой возможна методами компьютерного зрения, является задача сегментации камней на конвейерах и складах горнодобывающих предприятий для обеспечения контроля качества сырья и готовой продукции. Цель данной работы – разработка алгоритма сегментации камней на конвейерах и складах. Для достижения этой цели был проведен краткий исторический обзор подходов к решению описанной задачи, а также проведено исследование применения архитектуры Mask R-­CNN к решению задачи сегментации камней. Обучающий набор данных включал 1000 изображений, полученных с помощью аугментации из 100 фотографий щебня, сделанных на конвейере горнодобывающего предприятия. Полученные результаты в метрике IoU превысили 83 %, а в метрике Accuracy – 89 %, что обеспечивает качественный автоматический непрерывный визуальный контроль качества сырья или готовой продукции. Полученные карты сегментации могут служить хорошей базой для определения важных в обрабатывающей промышленности гранулометрических характеристик, категории качества, своевременно обнаруживать лещадность на конвейерах и сегрегацию на складах готовой продукции в реальном времени. Читать дальше...