Разработка AI-измерения объектов по фото в мобильном приложении

Клиент хочет измерить длину дивана по одной фотографии — без рулетки, без специального оборудования. Мы реализовали эту функцию в мобильных приложениях с точностью до 2% при правильных условиях. Наш опыт — 5+ лет в разработке iOS/Android, 30+ проектов с AR и computer vision. Предлагаем решение под ключ: от выбора метода (LiDAR, SLAM или monocular depth) до интеграции с вашим бэкендом. Получите консультацию — оценим ваш проект за один день.

Какой метод измерения выбрать: LiDAR, SLAM или monocular depth?

ARKit/ARCore (LiDAR или SLAM) — точный, но требует поддержки устройства. iPhone 12 Pro и новее с LiDAR дают точность 1–3 см на расстоянии до 5 метров. ARCore на Android без LiDAR — хуже, погрешность 3–8 см.

Monocular depth estimation — работает на любом устройстве без LiDAR, использует CNN для оценки глубины по одному кадру. MiDaS, DPT, Depth Anything V2 — актуальные модели. Точность заметно ниже LiDAR-подхода, но для многих задач достаточна.

// iOS: выбор метода в зависимости от возможностей устройства func selectMeasurementMethod() -> MeasurementMethod { if ARWorldTrackingConfiguration.supportsSceneReconstruction(.mesh) { return .lidarARKit // iPhone 12 Pro+, iPad Pro } else if ARWorldTrackingConfiguration.isSupported { return .slamARKit // ARKit без LiDAR } else { return .monocularDepth // фолбек на CoreML-модель } } 

Что влияет на точность измерения?

Точность измерения напрямую зависит от условий съёмки: освещение, текстура поверхности, расстояние до объекта и угол наклона камеры. Белые стены без текстур ухудшают SLAM-трекинг, а высокое освещение может вызывать пересветы. Для стабильного результата необходимо:

• Текстурированные поверхности (чёрные, глянцевые объекты хуже детектируются)
• Расстояние до объекта не более 5 м при LiDAR, 3 м при SLAM
• Минимизация динамических объектов в кадре
• Правильная фокусировка камеры

Как мы реализуем измерение через ARKit

// Измерение расстояния между двумя точками в AR class ARMeasurementSession: NSObject, ARSessionDelegate { var arView: ARSCNView! private var startAnchor: ARAnchor? private var endAnchor: ARAnchor? func placePoint(at screenPoint: CGPoint) -> MeasurementPoint? { // Raycast от экрана в 3D мировое пространство guard let query = arView.raycastQuery( from: screenPoint, allowing: .estimatedPlane, alignment: .any ) else { return nil } guard let result = arView.session.raycast(query).first else { return nil } let worldPosition = result.worldTransform.columns.3 // position в метрах return MeasurementPoint( position: SIMD3(worldPosition.x, worldPosition.y, worldPosition.z), confidence: result.targetAlignment == .horizontal ? .high : .medium ) } func calculateDistance(from start: MeasurementPoint, to end: MeasurementPoint) -> Measurement<UnitLength> { let diff = end.position - start.position let distanceMeters = Double(simd_length(diff)) return Measurement(value: distanceMeters, unit: .meters) } } 

Одна из распространённых ошибок — не учитывать, что raycast работает лучше на хорошо текстурированных поверхностях. Белая стена даёт плохой результат SLAM tracking, AR-метки начинают «плыть».

Отображение измерения в AR

func addMeasurementLine(from start: SIMD3<Float>, to end: SIMD3<Float>, distance: String) { let midpoint = (start + end) / 2 // Линия между точками let lineNode = SCNNode(geometry: createCylinder(from: start, to: end)) // Метка с расстоянием в середине let labelNode = SCNNode(geometry: SCNText(string: distance, extrusionDepth: 0.001)) labelNode.position = SCNVector3(midpoint.x, midpoint.y + 0.02, midpoint.z) labelNode.scale = SCNVector3(0.005, 0.005, 0.005) labelNode.constraints = [SCNBillboardConstraint()] // всегда лицом к камере sceneRoot.addChildNode(lineNode) sceneRoot.addChildNode(labelNode) } 

Reference object подход для измерения по фото

Без AR — нужен объект известного размера в кадре. Банковская карта (85.6 × 53.98 мм) — удобный reference:

// Android: измерение через reference object class ReferenceObjectMeasurer { fun measureWithCard(bitmap: Bitmap, cardBoundingBox: RectF, objectBoundingBox: RectF): MeasurementResult { // Реальные размеры карты val cardRealWidth = 85.6f // мм val cardRealHeight = 53.98f // Пиксели → мм val pixelsPerMmHorizontal = cardBoundingBox.width() / cardRealWidth val pixelsPerMmVertical = cardBoundingBox.height() / cardRealHeight // Коррекция на перспективное искажение (упрощённо) val correctionFactor = estimatePerspectiveCorrection( cardBoundingBox, imageDimensions = bitmap.width to bitmap.height ) return MeasurementResult( widthMm = (objectBoundingBox.width() / pixelsPerMmHorizontal) * correctionFactor, heightMm = (objectBoundingBox.height() / pixelsPerMmVertical) * correctionFactor, accuracy = MeasurementAccuracy.MODERATE // ±5-10% без калибровки ) } } 

Детекция карты в кадре — через ML Kit Object Detection или YOLOv8-кастомный (несложно обучить на 500 снимках карт в разных условиях).

Процесс работы: от идеи до релиза

1. Аналитика — изучение бизнес-требований, устройств аудитории, необходимой точности.
2. Проектирование — выбор архитектуры: нативный ARKit/ARCore или кроссплатформа, определение метода измерения (LiDAR/SLAM/monocular depth).
3. Реализация — разработка MVP с базовым UI (две точки, линия), интеграция с CoreML/ML Kit, настройка калибровки.
4. Тестирование — проверка точности на 10+ устройствах, в разных условиях съёмки, A/B тесты.
5. Деплой — подготовка к публикации в App Store и Google Play, оформление документов, TestFlight/Firebase Distribution.

Что входит в работу

• Архитектурная документация и описание API
• Интеграция с вашей CRM / бэкендом через REST или GraphQL
• Обучение вашей команды работе с функцией
• Техническая поддержка 3 месяца
• Доступ к исходному коду (с правом модификации)
• Сертификаты от Apple и Google (если требуется)

Мы — сертифицированные разработчики Apple и Google. Гарантируем точность измерений в соответствии с требованиями App Store Review Guidelines (Section 4.2/5.1). За 5 лет реализовали 30+ проектов в e-commerce, строительстве и медицине.