Розробка фотограмметричної системи 3D-реконструкції

При перенесенні складного промислового об'єкта в цифру — наприклад, турбіни або архітектурної пам'ятки — традиційне 3D-сканування часто впирається в бюджет і логістику. Ми вирішуємо це завдання за допомогою фотограмметрії: за серією звичайних фотографій відновлюємо точну тривимірну геометрію. Результат — щільна хмара точок, полігональна сітка та текстурована 3D-модель, готова до CAD, VR або рендеру. Економія бюджету порівняно з лазерним скануванням досягає 70% (на прикладі проєкту цифрового двійника цеху — заощадили 50 000 грн). За 5+ років ми реалізували 20+ таких проєктів для промисловості, будівництва та геймдеву. Наприклад, для цифрового двійника виробничого цеху обробили 1500 знімків з дрона за 8 годин, отримавши точність 1.5 мм.

Проблеми, які ми вирішуємо

Низька якість вихідних знімків. Клієнти часто надсилають фото, зроблені на смартфон із нерівномірним освітленням і малим перекриттям. Це призводить до прогалин у хмарі точок і спотворень геометрії. Ми компенсуємо це алгоритмічною фільтрацією та адаптивним підбором параметрів SfM.

Нестабільне освітлення та відблиски. Блискучі та дзеркальні поверхні — класичний біль фотограмметрії. Для них застосовуємо крос-поляризацію або мультиекспозицію, а на етапі обробки — маскування відблисків за допомогою нейромережевих детекторів.

Величезні обсяги даних. Для великого об'єкта (цех, будівля) кількість фото сягає 2000–3000. Обробка такого набору без оптимізації займає добу. Ми впроваджуємо розподілені обчислення (Ray, Dask) і квантизацію хмар точок, скорочуючи час до годин.

Чому фотограмметрія ефективніша за лазерне сканування?

Лазерні сканери точніші (до 0.1 мм), але вони дорогі та потребують доступу до об'єкта. Фотограмметрія дає порівнянну точність (0.5–3 мм) для більшості задач, при цьому вартість обладнання в 10 разів нижча, а зйомку можна проводити з дрона. Для цифрових двійників будівель і пам'яток це оптимальний вибір. Отримайте консультацію, щоб оцінити, чи підійде фотограмметрія для вашого проєкту.

Як налаштувати SfM пайплайн: покрокова інструкція

Фотограмметрія (Wikipedia) пайплайн складається з двох етапів: SfM та MVS. Розберемо налаштування на прикладі COLMAP і OpenMVS.

Крок 1: Вилучення та зіставлення ознак

Використовуйте SuperPoint замість SIFT — він краще працює на гладких поверхнях:

import pycolmap
from pathlib import Path

def run_sfm_reconstruction(images_dir: str,
                            output_dir: str) -> dict:
    """Повний 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'

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

    # Зіставлення ознак
    pycolmap.match_exhaustive(database_path)

    # Інкрементальна реконструкція
    maps = pycolmap.incremental_mapping(
        database_path=database_path,
        image_path=image_path,
        output_path=output_path
    )

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

Крок 2: Щільна реконструкція

OpenMVS дає баланс швидкості та якості. Порівняно з Meshroom, OpenMVS працює в середньому в 1.5 раза швидше при однаковій точності:

import subprocess

def run_dense_reconstruction(sfm_output: str, output_dir: str):
    """Щільна реконструкція 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)

Крок 3: Постобробка 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()
    }

Що впливає на точність реконструкції?

Точність залежить від трьох факторів: якості знімків, перекриття та алгоритмів. Навіть при ідеальних фото COLMAP може дати 1–3 мм, а Reality Capture — 0.5–2 мм. Для підвищення точності до 0.1 мм використовуємо лазерне сканування, але фотограмметрія достатня для 95% задач. Ми гарантуємо точність, зазначену в технічному завданні, та надаємо сертифікат калібрування камери. Замовте аудит фото — ми визначимо очікувану точність.

Який пайплайн обрати: COLMAP чи Reality Capture?

Якщо бюджет обмежений — ставимо open-source COLMAP + OpenMVS. Він безкоштовний, гнучкий, але потребує програмування. Для комерційних проєктів із жорсткими строками Reality Capture дає ту саму точність у 2 рази швидше. Багато клієнтів обирають гібрид: COLMAP для передобробки, Reality Capture для фінальної збірки. Ми маємо досвід 5+ років у налаштуванні обох систем, тому гарантуємо оптимальне рішення. Замовте розробку індивідуального пайплайну під ваші задачі.

Вимоги до фотографій

Якість реконструкції напряму залежить від вхідних фото:

Точність і час обробки

Що входить до роботи

• Аудит вихідних фото та консультація щодо зйомки.
• Проектування пайплайну під вашу задачу.
• Реалізація SfM + MVS з калібруванням та фільтрацією.
• Побудова mesh, текстурування, експорт у потрібні формати (PLY, OBJ, FBX, GLTF).
• Документація щодо відтворення результату.
• Навчання вашої команди роботі з пайплайном.
• Технічна підтримка 3 місяці.

Терміни орієнтовно

Точна вартість розраховується після аудиту ваших даних і вимог. Маємо сертифікати партнерів Agisoft та Reality Capture. Зв'яжіться з нами — ми оцінимо проєкт і запропонуємо оптимальне рішення.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.