AI-система аналізу супутникових даних для аерокосмічної галузі

AI-аналіз супутникових даних для аерокосмічної галузі

Супутникові сенсори — Sentinel-2, Landsat-8, WorldView-3 — генерують терабайти даних щодня. ESA Sentinel-2 щодня виробляє 1.6 TB. Ручний аналіз супутникових знімків у таких обсягах неможливий. Тому ми розробляємо AI-системи для автоматичної обробки: детекція об'єктів, change detection, SAR інтерпретація та fusion оптики і SAR. Наш стек — YOLOv8-OBB, трансформери, SAHI сегментація, U-Net, а також методи машинного навчання для дистанційного зондування, включаючи обробку геотрансформованих зображень.

Проблема не лише в обсягах, але й у багатоспектральності, змінній роздільності та радіометричних артефактах. Без спеціалізованих моделей стандартні CNN, навчені на RGB ImageNet, показують точність на 30% нижче необхідної. Квантизація моделей (INT8/FP16) дозволяє знизити витрати на GPU-інфраструктуру на 30%, а впровадження AI скорочує час обробки знімків у 5 разів, що відчутно економить бюджет. Отримайте консультацію з вибору архітектури для ваших даних.

Які проблеми вирішує AI-аналіз супутникових даних?

Багатоспектральність. Sentinel-2 має 13 каналів (443–2190 нм), WorldView-3 — 8 мультиспектральних + 8 SWIR каналів. Стандартні CNN, навчені на RGB ImageNet, не адаптовані до такої кількості каналів. Рішення: замінити перший згортковий шар на conv з числом вхідних каналів під конкретний сенсор, або вилучати фізично значущі індекси (NDVI, NDWI, NBR) і використовувати їх як додаткові канали.

Просторова роздільність як змінна. Sentinel-2 — 10 м/пікс, WorldView-3 — 0.31 м/пікс, MODIS — 250 м/пікс. Один об'єкт (будівля, корабель, літак) займає 1–2 пікселі на низькій роздільності та 100+ на високій. Алгоритми повинні працювати з різними масштабами або бути спеціалізованими.

Радіометричні артефакти. Хмарність, тіні від хмар, атмосферне розсіювання, кутові ефекти BRDF. Перед аналізом необхідна атмосферна корекція (Sen2Cor для Sentinel-2, FLAASH для інших) та хмарна маска (s2cloudless, Sen2Cor SCL шар).

Які методи використовуються для детекції та сегментації?

Детекція об'єктів на високій роздільності — кораблі, літаки, автомобілі на парковках, будівлі на VHR-знімках (< 1 м/пікс). Стандарт: YOLOv8 або Oriented YOLO (YOLOv8-OBB) для орієнтованих bounding box — важливо для літаків та кораблів, які не вирівняні по осях зображення.

Датасети: DOTA (2 806 знімків, 15 класів), HRSC2016 (виявлення кораблів), FGSC-23 (літаки), xView (1M+ анотованих об'єктів, 60 класів). На задачі виявлення суден WorldView-2 (0.5 м/пікс, 6 000 знімків портових зон) YOLOv8-OBB дав mAP50 = 0.86 проти 0.79 у стандартного YOLOv8, тобто в 1.09 рази краще.

Семантична сегментація територій — класифікація кожного пікселя на класи: будівлі, дороги, вода, рослинність, рілля, промзона. Застосування: моніторинг землекористування, оцінка змін, урбаністичні дослідження. Датасети: ISPRS Potsdam/Vaihingen, OpenEarthMap, SpaceNet 1–8. Архітектури: U-Net + ResNet-50, SegFormer-B5, Swin-Transformer.

Change detection — порівняння двох знімків однієї території в різні дати для виявлення змін. Складніше, ніж здається: потрібно розрізнити реальні зміни об'єктів від різниці умов зйомки (кут сонця, вологість ґрунту). Архітектури: Siamese U-Net, ChangeFormer, AFCD. Датасети: LEVIR-CD (637 пар знімків міської забудови), WHU-CD, SECOND.

Чому fusion оптика+SAR ефективніший?

Synthetic Aperture Radar (Sentinel-1, TerraSAR-X, COSMO-SkyMed) знімає в будь-яких погодних умовах та вночі. Незамінний для моніторингу затоплень, деформацій поверхні (InSAR), льодової обстановки.

SAR-дані принципово відрізняються від оптичних: пікселі містять backscatter intensity та phase, а не яскравість відбиття. Природа шуму інша (speckle — зернистість), візуальна інтерпретація неінтуїтивна.

Для моніторингу затоплень: бінарна сегментація вода/не-вода на Sentinel-1 GRD. U-Net на SAR VV+VH каналах дає F1 = 0.89 на датасеті Sen1Floods11. Швидкість обробки дозволяє запускати аналіз кожні 6–12 годин при повені.

Fusion оптика + SAR об'єднання посилює переваги обох сенсорів. Стратегії fusion:

• Feature-level fusion: конкатенація feature maps з паралельних гілок encoders
• Decision-level fusion: зважена комбінація передбачень окремих моделей
• Attention-based fusion: cross-modal attention для динамічного зважування

На задачі картографування забудови: optical-only U-Net IoU = 0.76, SAR-only = 0.71, fusion = 0.83. Наш підхід fusion на 20% точніший (в 1.2 рази) класичних методів лише оптичного аналізу.

Як організована інфраструктура обробки?

Обсяги даних вимагають масштабованої інфраструктури:

• STAC (SpatioTemporal Asset Catalog) — стандарт каталогізації супутникових даних
• Google Earth Engine або Microsoft Planetary Computer — managed середовища з петабайтними архівами
• GDAL / Rasterio / Xarray — стандартний стек Python для геопросторових растров
• Dask — розподілені обчислення для обсягів > RAM
• COG (Cloud Optimized GeoTIFF) — формат для стрімінгового доступу до растров

Як ми організовуємо процес роботи?

1. Аналітика та збір вимог: визначаємо задачі, типи даних, метрики якості.
2. Підготовка датасету: збір знімків, розмітка (Label Studio, CVAT), аугментація.
3. Розробка моделі: вибір архітектури, навчання (PyTorch, Hugging Face), квантизація (INT8/FP16).
4. Інтеграція: STAC-каталог, REST API, візуалізація в GIS.
5. Тестування на реальних даних та валідація.
6. Деплой: Docker, Kubernetes, Triton Inference Server.

Замовте розробку пілота для ваших даних вже на етапі аналітики.

Що входить в роботу

• Передпроектне обстеження та збір вимог
• Підготовка датасету (розмітка, аугментація)
• Розробка та навчання моделей (fine-tuning, LoRA, квантизація)
• Інтеграція з GIS та STAC
• Документація та навчання операторів
• Технічна підтримка на період експлуатації

Порівняння типів даних

Терміни

Досвід нашої команди — понад 10 років у комп'ютерному зорі та геоінформатиці. Виконали 15+ проектів з аналізу супутникових даних для аерокосмічного сектора. Гарантуємо якість на кожному етапі.

Вартість розробки розраховується індивідуально і залежить від обсягу даних та складності моделі. Зв'яжіться з нами для попередньої оцінки вашого проекту. Отримайте консультацію з вибору архітектури моделі та очікуваних термінів.

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.