AI-система сортування врожаю з точністю 94%+

AI-система сортування врожаю з точністю 94%+

Оптичний сортувальник на зерновому елеваторі робить 15 знімків кожного зерна за 2 мс — швидше, ніж моргає людина. Але без нейромереж точність класифікації дефектів рідко перевищує 78%, а частка хибних відбраковувань сягає 12%. Ми розробляємо AI-системи сортування врожаю, які вирішують ці проблеми: піднімаємо точність до 94% і вище, знижуємо втрати продукції на 40%. Економія на лінії може сягати $30,000–$100,000 на рік залежно від об'єму. Наш досвід — понад 50 впроваджених ліній для зерна, фруктів та овочів. Пропонуємо рішення під ключ: від обстеження до інтеграції з вашим PLC. Для оцінки вашого проекту зв'яжіться з нами — ми проаналізуємо конвеєр і підберемо оптимальний стек.

Зниження втрат за допомогою AI-сортування

Втрати виникають через два фактори: хибне відбраковування якісного продукту та пропуск дефектного. AI-моделі мінімізують обидва. На лінії картоплі після впровадження хибні зниження класу скоротилися з 12% до 3.1%, а точність зросла з 78% до 94.3%. Це безпосередньо впливає на економіку: менше відходів, більше товарної продукції. Наш AI-сортувальник працює в 4 рази швидше за людину та в 1.5 рази точніше за механічний розсів.

CV-методи для різних типів продукції

Завдання сортування радикально відрізняються залежно від продукту. Розберемо два основні класи.

Зерно та бобові (висока швидкість, поштучна обробка)

Конвеєрні оптичні сортери працюють зі швидкістю 5–15 т/год. Кожне зерно фотографується в RGB + ближній ІЧ. Інференс має вкладатися в < 3 ms на об'єкт. Архітектура — легка класифікаційна мережа (MobileNetV2 або EfficientNet-Lite0) з INT8 квантизацією на NVIDIA Jetson або FPGA (Xilinx Zynq).

Класи дефектів зерна пшениці: бите, щупле, проросле, уражене фузаріозом, зелене, домішка культури. Міжкласова плутанина — щупле vs нормальне при нестандартному освітленні. Рішення: нормування за еталонним білим перед кожною партією + аугментація освітлення при навчанні.

Фрукти та овочі (зовнішній вигляд + передбачення внутрішніх дефектів)

Зовнішнє сортування за розміром, кольором, формою — завдання для класичних методів комп'ютерного зору плюс detection. Цікавіше — NIR-спектроскопія для неруйнівного контролю якості: суха речовина (°Brix), внутрішнє побуріння яблук, пустотілість. Один NIR-датчик (Zeiss Corona 45 NIR або Carl Zeiss MCS 600) + калібрувальна PLS-регресія — стандартний підхід на виробництві.

Чому NIR-спектроскопія витісняє класичні методи?

Більш сучасний підхід: гіперспектральна камера (400–1700 нм) над конвеєром. Кожне яблуко отримує повний спектр, CNN з 1D-спектральною гілкою передбачає °Brix з RMSE = 0.6 та внутрішнє побуріння з accuracy 0.91 (проти 0.79 у PLS). Це дозволяє знизити частку неякісного продукту, відправленого в упаковку. Зокрема, CNN забезпечує вдвічі нижчий RMSE (0.6 проти 1.2) порівняно з PLS-регресією.

Що дає гіперспектральна камера?

Глибокий розбір: сортування картоплі

Продуктивний кейс із практики. Клієнт — переробник картоплі, лінія 8 т/год. Завдання: автоматичне сортування за 4 класами (екстра / перший / другий / технічний) за сукупністю ознак.

Ознаки: маса (ваговий датчик), розмір (3D-scanner або стереокамера), наявність зелені, кількість та глибина вічок, механічні пошкодження, гниль.

Архітектура рішення:

• YOLOv8m-seg для сегментації картоплини та детекції дефектів
• Окрема голова regression для оцінки розміру за маскою
• Ф'южн з ваговим датчиком та колірними ознаками
• Gradient Boosting для фінального класифікаційного рішення за всіма ознаками

Для сегментації дефектів застосовується архітектура encoder-decoder з просторовою увагою, що дозволяє виділяти дрібні дефекти розміром до 1 мм. Використовуються методи transfer learning та fine-tuning на специфічних даних. Моніторинг дрейфу даних здійснюється за допомогою статистичних тестів (KS-test, PSI).

Результат: точність відповідності стандарту ГОСТ Р 51808 — 94.3% проти 78% у попереднього механічного розсіву. Хибних «знижень» класу — 3.1% (важливо: недооцінка дорожча за переоцінку).

Що входить у розробку системи сортування?

1. Технічне обстеження лінії, вибір точок зйомки та освітлення
2. Збір та розмітка даних (500+ зразків на клас дефекту)
3. Навчання та валідація моделі, калібрування порогів
4. Інтеграція з PLC через PROFINET / OPC UA із затримкою < 5 мс
5. Пусконалагодження на реальній швидкості конвеєра
6. Документація, навчання операторів, підтримка після впровадження

Для забезпечення швидкості інференсу застосовуємо INT8 квантизацію за допомогою TensorRT. На NVIDIA Jetson AGX Orin це дає до 10 разів прискорення порівняно з FP16 при втраті точності не більше 0.5%. При необхідності використовуємо FP16 для критичних класів.

Інтеграція у виробничу лінію

Система працює в зв'язці з PLC (Siemens S7 / Allen-Bradley) через PROFINET або OPC UA. Команда на пневматичний клапан відбраковування надходить із затримкою < 5 ms після інференсу. Конвеєрна швидкість — від системи керування лінією, CV синхронізується за енкодером.

Деплой: NVIDIA Jetson AGX Orin для важких моделей (картопля, фрукти) або Jetson Orin NX для зерна. TensorRT engine, FP16 для точності або INT8 при критичних вимогах до швидкості. В рамках MLOps ми налаштовуємо пайплайн моніторингу дрейфу даних та автоматичного перенавчання моделей.

Процес впровадження та терміни

Система для одного типу продукту (зерно або фрукти): 6–10 тижнів. Комплексна лінія з NIR-модулем та інтеграцією в ERP: 3–5 місяців.

Замовте розробку під ключ — ми гарантуємо точність не нижче 94% та зниження втрат продукції до 40%. Для попереднього аналізу вашого виробництва зв'яжіться з нами. Отримайте консультацію з вибору оптимального стеку для ваших агротехнологій.

Метод NIR-спектроскопії детально описано в Wikipedia.

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.