AI-підрахунок будматеріалів за фото: розробка під ключ

Проблема ручного підрахунку на будівництві

Інвентаризація матеріалів на будівництві вручну — джерело помилок і втрат. Арматура, цегла, мішки з цементом, труби, листи фанери — все це можна перерахувати автоматично за фото з телефона або камери дрона. Ми розробляємо системи комп'ютерного зору для AI-підрахунку будматеріалів під ключ: від збору датасету до інтеграції з вашою WMS або 1С. Замовники економлять до 80% часу на інвентаризації та виключають людський фактор.

Як AI-система обробляє щільні штабелі?

Класичний детектор (наприклад, YOLOv8) збоїть, коли об'єкти лежать впритул: IoU > 0.6, NMS подавляє правильні детекції. Точність падає до 60–70%. Для таких випадків використовуємо density estimation — підхід, запозичений з підрахунку натовпу. Мережа передбачає карту щільності, сума пікселів якої ≈ кількість об'єктів. Для мішків у штабелях точність піднімається до 91–95%. Density estimation перевершує YOLO детекцію в 1.3–1.5 раза за точністю на щільних штабелях. Density estimation — метод, адаптований для промислового обліку.

class DensityBasedCounter:
    """
    CSRNet або CrowdCounting підхід, адаптований для матеріалів.
    Замість детекції кожного об'єкта передбачаємо карту щільності.
    Сума пікселів карти щільності ≈ кількість об'єктів.
    """
    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()
        # Сума карти щільності = кількість об'єктів
        count = float(density_map.sum())

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

Чому density estimation точніше детектора для мішків?

Для насипних матеріалів та об'єктів у щільних рядах класичний детектор збоїть. YOLO детекція програє density estimation: точність падає до 60–70% проти 91–95% у методу щільності. Density map approach дає більш стабільні результати на об'єктах, що перекриваються. В основі — архітектура CSRNet, спочатку розроблена для підрахунку людей на зображеннях, але чудово працює і для будматеріалів.

Як ми збираємо та розмічаємо датасет?

Для навчання потрібно 1000–3000 розмічених фотографій матеріалів у різних ракурсах та умовах. Ми допомагаємо з організацією зйомки або приймаємо готові знімки. Чим різноманітніший датасет, тим вища точність. Розмітка виконується вручну кваліфікованими операторами з використанням полігональної розмітки. На кожен матеріал — цегла, арматура, мішки, труби — ми створюємо окрему навчальну вибірку. Це дозволяє моделі точно визначати кількість об'єктів навіть при частковому перекритті.

Кейс: інвентаризація складу арматури (наш клієнт)

Крупний дистриб'ютор будматеріалів зі складом 800 т арматури в пачках, 6 типорозмірів (d8 до d32). Ручна інвентаризація: 2 особи, 8 годин на місяць. Після впровадження: оператор фотографує торці пачок на планшет (20–30 фото за годину). Модель підраховує кількість прутків у кожній пачці: Hough circles для d12–d25, density estimation для d8.

• Точність підрахунку: ±2% від ручного перерахунку
• Час інвентаризації: 1.5 години vs. 8 годин вручну
• Інтеграція з 1С: автоматичне оновлення залишків

Як налаштувати AI-підрахунок для ваших матеріалів?

Процес впровадження включає кілька етапів. Спочатку ми проводимо аудит вашого складу та типів матеріалів. Потім організовуємо фотосесію з різних точок і розмічаємо датасет. Після навчання моделі та тестування на контрольній вибірці розгортаємо рішення на вашому сервері або на edge-пристрої. Інтеграція з обліковою системою — фінальний крок. На кожному етапі ми надаємо звіт про точність та рекомендації щодо донавчання.

Що входить у розробку AI-системи підрахунку

• Аудит процесу: аналіз поточних методів обліку, типів матеріалів та умов зйомки
• Збір та розмітка датасету: 3000+ зображень з полігональною розміткою
• Навчання моделі: підбір архітектури (YOLOv8, CSRNet, SAM) та гіперпараметрів
• Розробка API: REST або gRPC для інтеграції з вашою WMS/1С
• Тестування: A/B тест на реальних даних, звіт про точність
• Розгортання: сервер (Docker, Kubernetes) або edge (Jetson, Raspberry Pi)
• Документація та навчання: інструкція для операторів, сесія 1 година
• Підтримка: 3 місяці гарантійного супроводу

Типові складнощі при впровадженні

• Різноманітність освітлення: від яскравого сонця до сутінків складу — потрібна аугментація датасету.
• Перекриття та забруднення: бруд на об'єктах знижує точність — використовуємо попередню обробку та фільтрацію.
• Різні партії: відтінки цегли можуть відрізнятися — модель повинна узагальнювати на колірні варіації.

Терміни та вартість

Вартість розробки розраховується індивідуально і залежить від кількості типів матеріалів, якості даних та складності інтеграції. Інвестиції зазвичай окупаються за 6–12 місяців за рахунок скорочення людино-годин та зниження помилок. Ми гарантуємо точність не нижче 90% на пілотному проекті. Зв'яжіться з нами для консультації — наш інженер оцінить ваше завдання і запропонує оптимальне рішення. Замовте безкоштовну попередню оцінку, щоб обговорити деталі вашого проекту.

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.