AI-система комп'ютерного зору для промислових роботів

Без зору робот — сліпий автомат, що працює строго за програмою. CV додає адаптивність: захоплення довільно орієнтованих деталей, інспекція в процесі складання, навігація в динамічному середовищі, спільна робота з людиною з дотриманням ISO 15066. Ми інтегруємо системи комп'ютерного зору в промислові маніпулятори та мобільних роботів — це зв'язка: 6DoF pose estimation для захоплення деталей з контейнера (bin picking), depth-guided grasping та побудова семантичних карт для AMR. Економія на одній bin picking ділянці — суттєва за рахунок зниження ручної праці та браку.

Як CV вирішує проблему bin picking?

Bin picking — одна з найбільш затребуваних і складних задач. Деталі в контейнері перекривають одна одну, хаотично орієнтовані, часто мають відбивні поверхні. Основний метод — 6DoF pose estimation: визначаємо положення (x,y,z) та поворот (roll,pitch,yaw) кожної деталі. Для цього використовуємо RGB-D камери (RealSense, Azure Kinect) та одну з моделей:

• FoundationPose — state-of-the-art для деталей з відомою CAD-моделлю. Забезпечує ADD-0.1d 78–89%.
• GDR-Net — геометрично дискретизований рендеринг, працює без CAD, але точність нижча.
• PVPN (Point Voting) — для сильно зашумлених сцен, стійка до часткових перекриттів.

Приклад реалізації на PyTorch (скорочено):

import numpy as np
import cv2
import torch
from dataclasses import dataclass
from typing import Optional

@dataclass
class ObjectPose:
    object_class: str
    position_xyz: tuple[float, float, float]    # мм в системі координат камери
    rotation_matrix: np.ndarray                  # 3×3
    euler_angles: tuple[float, float, float]     # roll, pitch, yaw в градусах
    confidence: float
    grasp_point: tuple[float, float, float]      # рекомендована точка захвату
    grasp_approach: np.ndarray                   # вектор підходу захвату

class BinPickingSystem:
    """
    Система bin picking: виявлення та визначення пози деталей в контейнері.
    Методи:
    1. FoundationPose / DenseFusion: на основі RGB-D
    2. GDR-Net: геометрично дискретизований рендеринг
    3. PVPN: point-wise voting
    Камера: Intel RealSense D435i або Azure Kinect.
    CAD модель деталі обов'язкова для FoundationPose.
    """
    def __init__(self, pose_model_path: str,
                  cad_model_path: str,
                  object_classes: list[str],
                  camera_intrinsics: dict,
                  device: str = 'cuda'):
        self.device = device
        self.object_classes = object_classes
        self.camera_intrinsics = camera_intrinsics  # fx, fy, cx, cy

        # Завантаження pose estimation моделі
        self.pose_model = torch.load(pose_model_path,
                                      map_location=device).eval()

        # CAD модель для рендерингу (використовується FoundationPose)
        self.cad_model = self._load_cad_model(cad_model_path)

        # YOLO для первинного виявлення об'єктів
        from ultralytics import YOLO
        self.detector = YOLO(pose_model_path.replace('pose', 'det'))

    def _load_cad_model(self, cad_path: str):
        """Завантаження .ply або .obj CAD моделі"""
        try:
            import open3d as o3d
            return o3d.io.read_triangle_mesh(cad_path)
        except ImportError:
            return None

    def estimate_poses(self, rgb: np.ndarray,
                        depth: np.ndarray) -> list[ObjectPose]:
        """
        Оцінка пози об'єктів.
        rgb: (H, W, 3) uint8
        depth: (H, W) float32 в міліметрах
        """
        # 1. Детекція об'єктів для ROI
        detections = self.detector(rgb, conf=0.4, verbose=False)

        poses = []
        for box in detections[0].boxes:
            cls_id = int(box.cls.item())
            if cls_id >= len(self.object_classes):
                continue

            x1, y1, x2, y2 = map(int, box.xyxy[0])

            # Вирізати RGB та depth патч
            rgb_crop = rgb[y1:y2, x1:x2]
            depth_crop = depth[y1:y2, x1:x2]

            if rgb_crop.size == 0:
                continue

            # 2. Pose estimation на патчі
            pose = self._estimate_single_pose(
                rgb_crop, depth_crop, cls_id, (x1, y1)
            )
            if pose:
                poses.append(pose)

        # Сортування за висотою Z (верхні деталі першими)
        poses.sort(key=lambda p: p.position_xyz[2])
        return poses

    @torch.no_grad()
    def _estimate_single_pose(self, rgb_crop: np.ndarray,
                               depth_crop: np.ndarray,
                               cls_id: int,
                               offset: tuple) -> Optional[ObjectPose]:
        """Pose estimation для одного об'єкта"""
        from torchvision import transforms
        transform = transforms.Compose([
            transforms.ToTensor(),
            transforms.Normalize([0.485, 0.456, 0.406],
                                  [0.229, 0.224, 0.225])
        ])
        from PIL import Image
        pil = Image.fromarray(cv2.cvtColor(rgb_crop, cv2.COLOR_BGR2RGB))
        rgb_tensor = transform(pil).unsqueeze(0).to(self.device)
        depth_tensor = torch.from_numpy(depth_crop).unsqueeze(0).unsqueeze(0).float().to(self.device)

        # Конкатенація RGB + depth
        depth_norm = depth_tensor / 1000.0  # мм → метри
        # Спрощена модель приймає 4-channel input
        input_tensor = torch.cat([
            rgb_tensor,
            torch.nn.functional.interpolate(
                depth_norm, size=rgb_tensor.shape[-2:], mode='bilinear'
            )
        ], dim=1)

        output = self.pose_model(input_tensor)
        # output: (1, 6) — translation(3) + rotation_euler(3)
        if output is None or output.shape[-1] < 6:
            return None

        out_np = output.squeeze().cpu().numpy()
        tx, ty, tz = out_np[:3] * 1000  # метри → мм
        rx, ry, rz = np.degrees(out_np[3:6])

        # Матриця обертання з ейлерових кутів
        R, _ = cv2.Rodrigues(np.array([np.radians(rx),
                                        np.radians(ry),
                                        np.radians(rz)]))

        # Точка захвату: центр об'єкта + зсув вгору по нормалі
        grasp_z = tz - 30  # 30мм вище центру
        grasp_point = (tx, ty, grasp_z)
        approach_vec = R @ np.array([0, 0, -1])  # напрямок підходу

        conf = float(torch.sigmoid(
            self.pose_model.confidence_head(output) if hasattr(
                self.pose_model, 'confidence_head') else torch.tensor(0.0)
        ).item()) if hasattr(self.pose_model, 'confidence_head') else 0.8

        return ObjectPose(
            object_class=self.object_classes[cls_id],
            position_xyz=(round(tx, 1), round(ty, 1), round(tz, 1)),
            rotation_matrix=R,
            euler_angles=(round(rx, 1), round(ry, 1), round(rz, 1)),
            confidence=round(conf, 3),
            grasp_point=grasp_point,
            grasp_approach=approach_vec
        )

Чому 6DoF pose estimation критична для колаборативних роботів?

Колаборативні роботи працюють в одному просторі з людьми. Помилка у визначенні пози деталі призводить до зіткнення або пошкодження об'єкта. Для cobot-застосувань за ISO 15066 потрібна повторюваність захвату з точністю ±1 мм та затримка менше 50 мс. Саме 6DoF pose estimation дає необхідну точність для безпечного підходу та захвату.

Метрики порівняння методів:

FoundationPose краще GDR-Net в 1.2 рази за ADD при наявності CAD, але без CAD GDR-Net виграє за рахунок відсутності потреби в моделі. PVPN стійкіший до перекриттів, але повільніший (15 FPS проти 30 FPS у FoundationPose).

Як ми проектуємо систему комп'ютерного зору для роботів?

Процес починається з аудиту вашого виробництва: які операції виконуються, які деталі, які поточні проблеми. Далі ми підбираємо обладнання (камери, освітлення, контролери) та розробляємо алгоритм CV. Етапи:

1. Збір даних: зйомка сцен на вашому виробництві, розмітка поз (6DoF) за допомогою наших інструментів.
2. Вибір моделі: FoundationPose, GDR-Net або кастомний Transformer залежно від наявності CAD та допустимої затримки.
3. Навчання та валідація: на синтетичних та реальних даних. Досягаємо ADD-0.1d > 85%.
4. Інтеграція: в ROS2 node для маніпулятора або в OPC-UA для PLC. Забезпечуємо реальний час.
5. Тестування: на виробничій лінії протягом 2 тижнів. Фіксуємо KPI (цикл захвату, відсоток успішних спроб).

Vision для навігації AMR

Мобільні роботи (AMR/AGV) використовують CV для детекції перешкод, людей та побудови карти. Типова архітектура — YOLOv8 на RGB-D, segmentation depth, розділення на сектори для планування траєкторії. Приклад фрагмента коду:

class AMRNavigationVision:
    """
    Computer vision для автономних мобільних роботів (AMR).
    Завдання: obstacle detection, semantic mapping, людино-розпізнавання
    для cobot safety (ISO/TS 15066 protected/restricted speed zones).
    """
    def __init__(self, obstacle_model_path: str,
                  device: str = 'cuda'):
        from ultralytics import YOLO
        self.obstacle_model = YOLO(obstacle_model_path)
        self.device = device
        # Semantic map: {cell_id: label}
        self.semantic_map: dict = {}

    def process_navigation_frame(self, rgb: np.ndarray,
                                   depth: np.ndarray) -> dict:
        """
        Аналіз кадру для навігації AMR.
        Повертає: obstacles, nearest_human_dist_m, clear_path_sectors.
        """
        results = self.obstacle_model(rgb, conf=0.4, verbose=False)
        obstacles = []
        nearest_human_dist = float('inf')

        h, w = depth.shape[:2]
        sector_width = w // 5  # 5 секторів: LL/L/C/R/RR

        for box in results[0].boxes:
            x1, y1, x2, y2 = map(int, box.xyxy[0])
            cls_name = results[0].names[int(box.cls.item())]
            cx = (x1 + x2) // 2
            cy = (y1 + y2) // 2

            # Медіанна глибина в bbox
            depth_crop = depth[y1:y2, x1:x2]
            valid_depths = depth_crop[depth_crop > 0]
            dist_m = float(np.median(valid_depths)) / 1000.0 if len(valid_depths) > 0 else 0

            obstacles.append({
                'class': cls_name,
                'bbox': [x1, y1, x2, y2],
                'distance_m': round(dist_m, 2),
                'sector': min(cx // sector_width, 4)
            })

            if cls_name == 'person' and dist_m < nearest_human_dist:
                nearest_human_dist = dist_m

        # Визначити вільні сектори
        blocked_sectors = {o['sector'] for o in obstacles if o['distance_m'] < 1.5}
        clear_sectors = [s for s in range(5) if s not in blocked_sectors]

        # ISO/TS 15066: якщо людина < 0.5м → STOP; 0.5–1.5м → reduced speed
        safety_mode = ('STOP' if nearest_human_dist < 0.5
                       else 'REDUCED_SPEED' if nearest_human_dist < 1.5
                       else 'NORMAL')

        return {
            'obstacles': obstacles,
            'nearest_human_m': round(nearest_human_dist, 2),
            'clear_sectors': clear_sectors,
            'safety_mode': safety_mode
        }

Що входить в роботу над проектом CV?

Ми надаємо повний цикл: аналітика вимог, підбір обладнання, калібрування камери та робота, навчання моделей на ваших даних, інтеграція з контролером (ROS2/OPC-UA), тестування в production-умовах. У deliverables:

• Модель pose estimation (ONNX/TensorRT)
• Інтеграційний модуль для PLC
• Документація з безпечної експлуатації
• Навчання операторів
• Гарантійна підтримка 6 місяців

Терміни та вартість

Терміни — від 8 до 20 тижнів залежно від складності. Вартість розраховується індивідуально після аудиту вашого виробництва. Ми гарантуємо прозорість етапів і фіксуємо KPI в договорі.

Наш досвід та гарантії

Багаторічний досвід у промисловому CV, десятки проектів від bin picking до інспекції. Сертифіковані інженери з PyTorch, ROS2, OpenCV. Використовуємо офіційні бібліотеки: OpenCV та ISO 15066. Даємо гарантію на точність моделей (ADD і recall прописані в договорі).

Отримайте консультацію щодо вашого проекту — зв'яжіться з нами, щоб обговорити завдання та зробити прототип. Замовте попередній аудит вашого виробництва — це безкоштовно.

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.