Разработка системы 3D-реконструкции по фотографиям (Photogrammetry)

При переносе сложного промышленного объекта в цифру — например, турбины или архитектурного памятника — традиционное 3D-сканирование часто упирается в бюджет и логистику. Мы решаем эту задачу с помощью фотограмметрии: по серии обычных фотографий восстанавливаем точную трёхмерную геометрию. Результат — плотное облако точек, полигональная сетка и текстурированная 3D-модель, готовая к CAD, VR или рендеру. Экономия бюджета по сравнению с лазерным сканированием достигает 70% (на примере проекта цифрового двойника цеха — сэкономили существенную сумму). За 5+ лет мы реализовали 20+ таких проектов для промышленности, строительства и геймдева. Например, для цифрового двойника производственного цеха обработали 1500 снимков с дрона за 8 часов, получив точность 1.5 мм.

Проблемы, которые решаем

Низкое качество исходных снимков. Клиенты часто присылают фото, сделанные на смартфон с неравномерным освещением и малым перекрытием. Это приводит к пробелам в облаке точек и искажениям геометрии. Мы компенсируем это алгоритмической фильтрацией и адаптивным подбором параметров SfM.

Нестабильное освещение и блики. Блестящие и зеркальные поверхности — классическая боль фотограмметрии. Для них применяем кросс-поляризацию или мультиэкспозицию, а на этапе обработки — маскирование бликов с помощью нейросетевых детекторов.

Огромные объёмы данных. Для большого объекта (цех, здание) количество фото достигает 2000–3000. Обработка такого набора без оптимизации занимает сутки. Мы внедряем распределённые вычисления (Ray, Dask) и квантизацию облаков точек, сокращая время до часов.

Почему фотограмметрия эффективнее лазерного сканирования?

Лазерные сканеры точнее (до 0.1 мм), но они дороги и требуют доступа к объекту. Фотограмметрия даёт сопоставимую точность (0.5–3 мм) для большинства задач, при этом стоимость оборудования в 10 раз ниже, а съёмку можно проводить с дрона. Для цифровых двойников зданий и памятников это оптимальный выбор. Получите консультацию, чтобы оценить, подойдёт ли фотограмметрия для вашего проекта.

Как настроить SfM пайплайн?

Photogrammetry пайплайн состоит из двух этапов: SfM и MVS. Разберём настройку на примере COLMAP и OpenMVS.

Шаг 1: Извлечение и сопоставление признаков

Используйте SuperPoint вместо SIFT — он лучше работает на гладких поверхностях:

import pycolmap
from pathlib import Path

def run_sfm_reconstruction(images_dir: str,
                            output_dir: str) -> dict:
    """Полный SfM пайплайн через COLMAP"""
    image_path = Path(images_dir)
    output_path = Path(output_dir)
    output_path.mkdir(exist_ok=True)

    database_path = output_path / 'database.db'

    # Извлечение признаков
    pycolmap.extract_features(database_path, image_path,
                               sift_options={'max_num_features': 8192})

    # Сопоставление признаков
    pycolmap.match_exhaustive(database_path)

    # Инкрементальная реконструкция
    maps = pycolmap.incremental_mapping(
        database_path=database_path,
        image_path=image_path,
        output_path=output_path
    )

    reconstruction = maps[0]  # largest map
    return {
        'num_cameras': len(reconstruction.cameras),
        'num_images': len(reconstruction.images),
        'num_3d_points': len(reconstruction.points3D)
    }

Шаг 2: Плотная реконструкция

OpenMVS даёт баланс скорости и качества:

import subprocess

def run_dense_reconstruction(sfm_output: str, output_dir: str):
    """Плотная реконструкция через OpenMVS"""
    subprocess.run([
        'InterfaceCOLMAP',
        '-i', sfm_output,
        '-o', f'{output_dir}/scene.mvs'
    ], check=True)

    subprocess.run([
        'DensifyPointCloud',
        '-i', f'{output_dir}/scene.mvs',
        '--resolution-level', '1',
        '--number-views', '5'
    ], check=True)

    subprocess.run([
        'ReconstructMesh',
        '-i', f'{output_dir}/scene_dense.mvs',
        '--quality', '3'
    ], check=True)

    subprocess.run([
        'TextureMesh',
        '-i', f'{output_dir}/scene_dense_mesh.mvs'
    ], check=True)

Шаг 3: Постобработка в Open3D

import open3d as o3d
import numpy as np

def process_point_cloud(pcd_path: str) -> dict:
    pcd = o3d.io.read_point_cloud(pcd_path)

    pcd_clean, _ = pcd.remove_statistical_outlier(nb_neighbors=20,
                                                    std_ratio=2.0)

    pcd_clean.estimate_normals(
        o3d.geometry.KDTreeSearchParamHybrid(radius=0.05, max_nn=30)
    )

    mesh, densities = o3d.geometry.TriangleMesh.create_from_point_cloud_poisson(
        pcd_clean, depth=9
    )

    density_threshold = np.quantile(densities, 0.05)
    mesh = mesh.select_by_index(np.where(densities > density_threshold)[0])

    return {
        'num_vertices': len(mesh.vertices),
        'num_triangles': len(mesh.triangles),
        'bounding_box': mesh.get_axis_aligned_bounding_box()
    }

Что влияет на точность реконструкции?

Точность зависит от трёх факторов: качества снимков, перекрытия и алгоритмов. Даже при идеальных фото COLMAP может дать 1–3 мм, а Reality Capture — 0.5–2 мм. Для повышения точности до 0.1 мм используем лазерное сканирование, но фотограмметрия достаточна для 95% задач. Закажите аудит фото — мы определим ожидаемую точность.

Какой пайплайн выбрать: COLMAP или Reality Capture?

Если бюджет ограничен — ставим open-source COLMAP + OpenMVS. Он бесплатен, гибок, но требует программирования. Для коммерческих проектов с жёсткими сроками Reality Capture даёт ту же точность в 2 раза быстрее. Многие клиенты выбирают гибрид: COLMAP для предобработки, Reality Capture для финальной сборки. Закажите разработку индивидуального пайплайна под ваши задачи.

Требования к фотографиям

Качество реконструкции напрямую зависит от входных фото:

Точность и время обработки

Что входит в работу

• Аудит исходных фото и консультация по съёмке.
• Проектирование пайплайна под вашу задачу.
• Реализация SfM + MVS с калибровкой и фильтрацией.
• Построение mesh, текстурирование, экспорт в требуемые форматы (PLY, OBJ, FBX, GLTF).
• Документация по воспроизведению результата.
• Обучение вашей команды работе с пайплайном.
• Техническая поддержка 3 месяца.

Сроки ориентировочно

Точная стоимость рассчитывается после аудита ваших данных и требований. Свяжитесь с нами — мы оценим проект и предложим оптимальное решение.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.