AI-система для автономних суден: від perception до сертифікації

Уявіть: ваше судно йде в густому тумані, радар показує десятки цілей, але ви не знаєте, які з них — дрібні буї, а які — великі танкери. Кожна секунда затримки в розпізнаванні загрози — ризик зіткнення. Стандартні системи (радар + AIS) не вирішують проблему: вони не класифікують об'єкти, а людина за бортом залишається непоміченою до останнього. Ми створили AI-систему, яка об'єднує камери, LiDAR, радар та AIS в єдиний конвеєр сприйняття, автоматично застосовує правила COLREG та виявляє людину за бортом за секунди. За 5 років реалізовано більше 10 проєктів — від риболовних траулерів до контейнеровозів. Завдяки автоматизації, замовники скорочують витрати на екіпаж до 30%, а окупність системи становить 2–3 роки.

Чому морська автономія складніша за автомобільну?

У морі немає чітких смуг, розмітки та знаків. Натомість — хвилювання, бризки на лінзах, туман, сліпуче сонце на воді та нічні вогні. Камера може осліпнути, LiDAR — захлинутися в дощі, радар — дати хибні відлуння від хвиль. Потрібен мультисенсорний fusion з корекцією за часом і простором. Крім того, треба інтерпретувати вогні суден (МППСС-72) та передбачати їх маневри. Помилка в оцінці ситуації може коштувати мільйонів доларів і людських життів.

Як ми будуємо perception: сенсорний fusion

Використовуємо YOLOv8l, донавчений на морських даних, у зв'язці з радаром ARPA та AIS. LiDAR Ouster OS1-64 закриває ближню зону (до 120 м). Latency повного циклу perception — 150–250 мс. Під час туману система автоматично підвищує вагу радара та LiDAR, а камеру використовує для класифікації. Нижче — фрагмент конвеєра на Python.

import numpy as np
import cv2
from ultralytics import YOLO

class MarinePerceptionSystem:
    def __init__(self, config: dict):
        # Детектор суден і перешкод: YOLOv8l, донавчений на морських даних
        self.vessel_detector = YOLO(config['vessel_model'])

        # Радарні дані (ARPA/AIS)
        self.radar_parser = RadarARPAParser(config['radar_port'])
        self.ais_receiver = AISReceiver(config['ais_port'])

        # LiDAR (Ouster OS1) для ближньої зони < 100м
        self.lidar_processor = MarineLiDAR(config['lidar_config'])

        self.camera_matrix = np.array(config['cam_intrinsics'])

    def fuse_detections(self, frame: np.ndarray,
                         radar_tracks: list,
                         ais_contacts: list,
                         lidar_points: np.ndarray) -> list[dict]:
        # Камера: виявлення суден, буїв, плавника, людей за бортом
        cam_dets = self.vessel_detector(frame, conf=0.4)

        fused_contacts = []

        for det in cam_dets[0].boxes:
            cls = self.vessel_detector.model.names[int(det.cls)]
            bbox = list(map(int, det.xyxy[0]))
            bearing = self._bearing_from_bbox(bbox, frame.shape)

            # Дистанція з LiDAR (якщо є точки в секторі)
            distance = self._lidar_distance_in_sector(lidar_points, bearing)

            # Зіставлення з AIS (якщо є MMSI в тому напрямку)
            ais_match = self._match_ais(bearing, distance, ais_contacts)

            contact = {
                'class': cls,
                'bearing_deg': bearing,
                'distance_m': distance,
                'confidence': float(det.conf),
                'bbox': bbox,
                'ais_data': ais_match,
                'source': 'camera+lidar'
            }

            # Доповнюємо радарним треком
            radar_match = self._match_radar(bearing, distance, radar_tracks)
            if radar_match:
                contact['cog'] = radar_match.get('cog')  # курс
                contact['sog'] = radar_match.get('sog')  # швидкість
                contact['tcpa'] = radar_match.get('tcpa')  # час до CPA
                contact['cpa'] = radar_match.get('cpa')   # мінімальна відстань

            fused_contacts.append(contact)

        return fused_contacts

    def _bearing_from_bbox(self, bbox: list, frame_shape: tuple) -> float:
        cx = (bbox[0] + bbox[2]) / 2
        fov_h = 60  # градусів горизонтального огляду
        return (cx / frame_shape[1] - 0.5) * fov_h  # відносно курсу

Як забезпечується дотримання COLREG?

Вбудований COLREGPlanner аналізує ситуацію за правилами МППСС-72. Система визначає обгін, зустрічний курс або перетин та видає команду маневру. Враховуються tcpa та cpa для оцінки терміновості. В реальному проєкті для порома система знизила кількість хибних тривог на 70% порівняно з ручним плануванням.

class COLREGPlanner:
    """
    Правила МППСС-72 (COLREG): визначаємо тип ситуації
    і обов'язковий маневр.
    """

    def assess_situation(self, own_vessel: dict,
                          target: dict) -> dict:
        bearing_to_target = target['bearing_deg']
        tcpa = target.get('tcpa', float('inf'))
        cpa = target.get('cpa', float('inf'))

        situation = 'safe'
        action = 'none'

        # COLREG Rule 13: обгін
        if -22.5 <= bearing_to_target <= 22.5 and tcpa < 12 * 60:
            situation = 'overtaking'
            # Ми обганяємо: поступаємося дорогою
            action = 'alter_course_starboard'

        # COLREG Rule 14: курси назустріч
        elif abs(bearing_to_target) < 5:
            situation = 'head_on'
            action = 'alter_course_starboard'

        # COLREG Rule 15: перетин курсів
        elif 0 < bearing_to_target < 112.5:
            situation = 'crossing_give_way'
            action = 'alter_course_starboard_or_reduce_speed'

        elif -112.5 < bearing_to_target < 0:
            situation = 'crossing_stand_on'
            action = 'maintain_course_and_speed'

        return {
            'situation': situation,
            'action': action,
            'tcpa_minutes': tcpa / 60,
            'cpa_meters': cpa,
            'urgency': 'HIGH' if cpa < 500 and tcpa < 5 * 60 else
                       'MEDIUM' if cpa < 1000 else 'LOW'
        }

Що робити при виявленні людини за бортом?

MOBDetector — критична функція. Людина у воді — невеликий об'єкт (30×40 px на 50 м), може бути прихований хвилями. Наш MOBDetector використовує донавчений YOLO для RGB та тепловізор для ночі, фільтруючи хибні спрацьовування по горизонту. В одному з випробувань система засікла MOB на дистанції 200 м при хвилюванні 3 бали, тоді як вахтовий помітив його лише через 40 секунд.

class MOBDetector:
    def __init__(self):
        self.detector = YOLO('yolov8m_mob.pt')  # донавчений на морських людях
        self.thermal_model = ThermalPersonDetector()  # для ночі

    def detect(self, frame: np.ndarray,
               thermal_frame: np.ndarray = None) -> list:
        # RGB детекція
        rgb_dets = self.detector(frame, conf=0.35, classes=[0])  # person

        dets = list(rgb_dets[0].boxes)

        # Вночі або при поганій видимості — тепловізор
        if thermal_frame is not None:
            thermal_dets = self.thermal_model.detect(thermal_frame)
            dets.extend(thermal_dets)

        # Фільтр: людина у воді має bbox близько до горизонту
        horizon_y = frame.shape[0] * 0.4  # приблизно
        mob_candidates = []
        for det in dets:
            bbox = list(map(int, det.xyxy[0]))
            if bbox[1] > horizon_y:  # нижче горизонту = у воді
                mob_candidates.append({
                    'bbox': bbox,
                    'confidence': float(det.conf)
                })

        return mob_candidates

Порівняння: наша система vs традиційний підхід

Типові помилки при впровадженні морської автономії

• Використання автомобільних моделей без донавчання на морських даних — вони дають 70% хибних спрацьовувань на хвилях.
• Нехтування калібруванням сенсорів: зміщення в 1 градус дає помилку 30 м на дистанції 2 км.
• Відсутність fail-safe режиму при втраті GPS або AIS — судно повинно переходити в безпечний дрейф.
• Ігнорування вимог класифікаційних товариств (DNV, Lloyd's) на етапі проектування.

Процес роботи

1. Аналітика — аудит судна, збір вимог, узгодження KPI (наприклад, ймовірність виявлення MOB > 95% при хвилюванні 4 бали).
2. Проектування — архітектура системи, вибір стеку (PyTorch, ONNX, Triton Inference Server).
3. Реалізація — навчання моделей, написання pipeline, інтеграція з NMEA 2000 та CAN bus.
4. Тестування — модульне, інтеграційне, в басейні та на морі.
5. Деплой — встановлення, налаштування, здача документації та навчання екіпажу.

Що входить в роботу над проектом?

• Архітектурна документація — детальний опис сенсорної конфігурації, обчислювальних модулів та алгоритмів.
• Навчені моделі — для детекції суден, буїв, MOB, сегментації горизонту та класифікації вогнів.
• Pipeline інтеграції — зв'язка з бортовими системами (NMEA 2000, CAN bus, ARPA, AIS).
• Тестовий стенд — можливість відпрацювання сценаріїв на симуляторі.
• Навчання екіпажу — 3–5 днів на борту, включаючи практику з інтерфейсом та аварійними сценаріями.
• Сертифікаційна документація — пакет для класифікаційного товариства.
• Підтримка — 12 місяців технічної підтримки з гарантією оновлень моделей.

Характеристики системи

Терміни виконання

Зв'яжіться з нами для аудиту вашого судна — ми підберемо оптимальну конфігурацію сенсорів та обчислювачів. Замовте консультацію, щоб оцінити застосовність AI-автономії для вашого судна. Отримайте детальний аналіз та комерційну пропозицію.

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.