ПРЕСС-ЦЕНТР

27 сентября 2022

Анонс «AI-LiquidOil»

 

Выявления разлива на земной поверхности и утечки жидкости на производстве

с помощью искусственного интеллекта

О продукте

Решение «AI-LiquidOil» осуществляет в автоматизированном режиме обработку видеоизображения для выявления разлива на земной поверхности и утечки жидкости на производстве с помощью искусственного интеллекта. Исходные данные могут быть получены с помощью спутников, стационарных камер и камер, установленных на беспилотных летающих аппаратов. Точность обеспечивается за счет использования технологий искусственного интеллекта и может достигать 98%. Программный продукт является кроссплатформенным, может устанавливаться на физическую и виртуальную вычислительную машину, имеет возможность работы с различными источниками данных, ускорение вычислений может обеспечиваться за счет использования графических карт с поддержкой CUDA;

Обучающие данные

  • Видеоизображения промышленных объектов
  • Синтезированные данные, полученные в результате обработки предоставленных данных путем изменения угла просмотра, поворота, обрезания, изменения пропорций изображений
  • Данные, полученные с помощью рендеринга изображения созданной 3D-модели
Видеоизображения промышленных объектов
Синтезированные данные, полученные в результате обработки предоставленных данных путем изменения угла просмотра, поворота, обрезания, изменения пропорций изображений
Данные, полученные с помощью рендеринга изображения созданной 3D-модели

Режимы работы

Базовый режим
отвечает за обнаружение возможных разливов жидкости в видимом диапазоне с фиксацией видеоизображения места, времени обнаружения и источника данных
ИК режим
в дополнении к базовому режиму при анализе используются данные с камер с инфракрасной подсветкой, что позволяет повысить вероятность распознавания разлива жидкостей с камер, к примеру, на скважине или сепарационной установке
Термо режим
в дополнении к базовому режиму при анализе используются данные с тепловизионной камеры, что позволят повысить вероятность распознавания разливов нефтесодержащих жидкостей и отличить от лужи, мокрого асфальта

Текущие результаты

Распознавание на предоставленных данных

Распознавание на основе синтезированных данных

Верификация системы

Графики представляют собой отображение переобучения для уже скорректированных в результате предыдущих итераций весов. Как можно наблюдать, преимущество отдается нахождению нетипичных объектов на изображении. Тренировка нейронной сети осуществлялась на основе 200 файлов видео данных. Обученная точность выявления составила 90%. Прогнозируемая точность обучения на 10 тысячах файлов оценочно составит 98%. Для периодической проверки правильности процесса, описываемого алгоритмом, проводится чередование обучающих данных.

Для выявления более точных результатов требовалось дать возможноcть системе точнее вывести основные признаки разлива. Для этого был увеличен объем (до 2 тысяч) и улучшено качество обучающего материала за счет применения трансформаций к исходным данным, была произведена стандартизация обучающего материала.

Направления развития

Скорость работы

Во время работы большая часть времени уходит на тренировку большого потока данных. В соответствии с асинхронностью многопоточных вычислений имеется возможность ускорить обработку видео или обрабатывать несколько параллельно. В случае работы с несколькими экземплярами в рамках одного потока выбран только последовательный тип обработки. Это ограничение накладывается архитектурой для работы на многопоточной системе. Предпочтение отдается распараллеливанию вычислений для большой скорости обработки. Такой подход позволяет сократить время обработки в Nx0.7 раз, где N – количество потоков. Такая зависимость объясняется необходимостью выполнения процедур, не связанных с вычислениями нейронной сети

Точность распознавания

Для повышения точности распознавания разрабатывается система рейтинга, на которой профильный специалист будет оценивать результаты работы алгоритма и вносить коррективы для обучения системы, смотреть спорные, неявные «разливы» и выставлять дополнительную оценку.

Для оптимизации скорости и качества обнаружения используется специальный алгоритм нормализации разнородной (разноформатной) входной информации,

Для повышения точности распознавания планируется обучить на более чем 1000 примеров исходных данных, что позволит увеличить точность распознавания основных факторов.

Для повышения точности оценки система соревнуется в результате с машинным алгоритмом распознавания, разработанным специально для данной задачи

Для повышения точности распознавания разрабатывается система рейтинга, на которой профильный специалист будет оценивать результаты работы алгоритма и вносить коррективы для обучения системы, смотреть спорные, неявные «разливы» и выставлять дополнительную оценку.

Для оптимизации скорости и качества обнаружения используется специальный алгоритм нормализации разнородной (разноформатной) входной информации,

Для повышения точности распознавания планируется обучить на более чем 1000 примеров исходных данных, что позволит увеличить точность распознавания основных факторов.

Для повышения точности оценки система соревнуется в результате с машинным алгоритмом распознавания, разработанным специально для данной задачи

Стандартизация и увеличение обучающего набора

Хоть алгоритм и обучается на универсальных данных, модифицированных и размноженных, необходимо получить и подготовить больше исходных данных, отвечающих следующим параметрам:
  • отсутствие информационных надписей поверх изображения
  • фиксированный диапазон высот для снимка или видеозаписи
  • прямые зависимости высоты и скорости полета с качеством камеры
Для создания искусственных обучающих данных создаются цифровые 3D-модели разливов.

Подготовка пользовательского интерфейса

Для упрощений взаимодействия пользователя с системой разрабатываются сценарии взаимодействия. Это сократит время на обучение работе с программой и снизит вероятность ошибки оператора, вызванной человеческим фактором. Простым примером эффективного взаимодействия может служить графический интерфейс. Такой интерфейс снижает нагрузку на пользователя и позволяет автоматизировать часть процессов. В случае разворачивания системы на серверной части будут использованы графический и консольный интерфейсы. Для обучения и безошибочной работы пользователя будут созданы инструкции по работе программы и взаимодействию с ней или ее частями в случае интеграции.