AI-подсчёт стройматериалов по фото: разработка под ключ

Проблема ручного подсчёта на стройке

Инвентаризация материалов на стройке вручную — источник ошибок и потерь. Арматура, кирпичи, мешки с цементом, трубы, листы фанеры — всё это можно пересчитать автоматически по фото с телефона или камеры дрона. Мы разрабатываем системы компьютерного зрения для AI-подсчёта стройматериалов под ключ: от сбора датасета до интеграции с вашей WMS или 1С. Заказчики экономят до 80% времени на инвентаризации и исключают человеческий фактор. Средняя экономия бюджетных средств достигает 1,5 млн рублей в год на один склад.

Как AI-система обрабатывает плотные штабели?

Классический детектор (например, YOLOv8) сбоит, когда объекты лежат вплотную: IoU > 0.6, NMS подавляет правильные детекции. Точность падает до 60–70%. Для таких случаев используем density estimation — подход, заимствованный из подсчёта толпы. Сеть предсказывает карту плотности, сумма пикселей которой ≈ количество объектов. Для мешков в штабелях точность поднимается до 91–95%. Density estimation превосходит YOLO детекцию в 1.3–1.5 раза по точности на плотных штабелях. Density estimation — метод, адаптированный для промышленного учёта.

class DensityBasedCounter:
    """
    CSRNet или CrowdCounting подход, адаптированный для материалов.
    Вместо детекции каждого объекта предсказываем карту плотности.
    Сумма пикселей карты плотности ≈ количество объектов.
    """
    def __init__(self, model_path: str):
        import torchvision.models as models
        # VGG16 backbone + density head
        self.model = self._build_csrnet()
        self.model.load_state_dict(torch.load(model_path))
        self.model.eval()

    @torch.no_grad()
    def count(self, image: np.ndarray) -> dict:
        from torchvision import transforms
        transform = transforms.Compose([
            transforms.ToTensor(),
            transforms.Normalize([0.485, 0.456, 0.406],
                                  [0.229, 0.224, 0.225])
        ])

        tensor = transform(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
        tensor = tensor.unsqueeze(0)

        density_map = self.model(tensor)[0, 0].numpy()
        # Сумма карты плотности = количество объектов
        count = float(density_map.sum())

        return {
            'method': 'density_estimation',
            'count': round(count),
            'count_float': count,
            'density_map': density_map
        }

Почему density estimation точнее детектора для мешков?

Для насыпных материалов и объектов в плотных рядах классический детектор сбоит. YOLO детекция проигрывает density estimation: точность падает до 60–70% против 91–95% у метода плотности. Density map approach даёт более стабильные результаты на перекрывающихся объектах. В основе — архитектура CSRNet, изначально разработанная для подсчёта людей на изображениях, но отлично работающая и для стройматериалов.

Как мы собираем и размечаем датасет?

Для обучения требуется 1000–3000 размеченных фотографий материалов в разных ракурсах и условиях. Мы помогаем с организацией съёмки или принимаем готовые снимки. Чем разнообразнее датасет, тем выше точность. Разметка выполняется вручную квалифицированными операторами с использованием полигональной разметки. На каждый материал — кирпичи, арматура, мешки, трубы — мы создаём отдельную обучающую выборку. Это позволяет модели точно определять количество объектов даже при частичном перекрытии.

Кейс: инвентаризация склада арматуры (наш клиент)

Крупный дистрибьютор стройматериалов с складом 800 т арматуры в пачках, 6 типоразмеров (d8 до d32). Ручная инвентаризация: 2 человека, 8 часов в месяц. После внедрения: оператор фотографирует торцы пачек на планшет (20–30 фото за час). Модель подсчитывает количество прутков в каждой пачке: Hough circles для d12–d25, density estimation для d8.

• Точность подсчёта: ±2% от ручного пересчёта
• Время инвентаризации: 1.5 часа vs. 8 часов вручную
• Интеграция с 1С: автоматическое обновление остатков
• Годовая экономия: более 1,5 млн рублей

Как настроить AI-подсчёт для ваших материалов?

Процесс внедрения включает несколько этапов. Сначала мы проводим аудит вашего склада и типов материалов. Затем организуем фотосъёмку с разных точек и размечаем датасет. После обучения модели и тестирования на контрольной выборке развёртываем решение на вашем сервере или на edge-устройстве. Интеграция с учётной системой — финальный шаг. На каждом этапе мы предоставляем отчёт о точности и рекомендации по дообучению.

Что входит в разработку AI-системы подсчёта

• Аудит процесса: анализ текущих методов учёта, типов материалов и условий съёмки
• Сбор и разметка датасета: 3000+ изображений с полигональной разметкой
• Обучение модели: подбор архитектуры (YOLOv8, CSRNet, SAM) и гиперпараметров
• Разработка API: REST или gRPC для интеграции с вашей WMS/1С
• Тестирование: A/B тест на реальных данных, отчёт о точности
• Развёртывание: сервер (Docker, Kubernetes) или edge (Jetson, Raspberry Pi)
• Документация и обучение: инструкция для операторов, сессия 1 час
• Поддержка: 3 месяца гарантийного сопровождения

Типичные сложности при внедрении

• Разнообразие освещения: от яркого солнца до сумрака склада — требуется аугментация датасета.
• Перекрытие и загрязнение: грязь на объектах снижает точность — используем предобработку и фильтрацию.
• Разные партии: оттенки кирпичей могут отличаться — модель должна обобщать на цветовые вариации.

Сроки и стоимость

Стоимость разработки рассчитывается индивидуально и зависит от числа типов материалов, качества данных и сложности интеграции. Инвестиции обычно окупаются за 6–12 месяцев за счёт сокращения человеко-часов и снижения ошибок. Мы гарантируем точность не ниже 90% на пилотном проекте. Свяжитесь с нами для консультации — наш инженер оценит вашу задачу и предложит оптимальное решение. Закажите бесплатную предварительную оценку, чтобы обсудить детали вашего проекта.

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.