В НовГУ создали ИИ систему распознавания объектов, которая сможет сама обучаться под любые производства
01 ноября 2025, 14:19 783
Учёные Передовой инженерной школы Новгородского университета создали ИИ систему, которая анализирует размер гранул удобрений на производственной линии. Аналоги подобных систем в мире есть, но их нужно «донастраивать» под нужды конкретного предприятия. Разработка учёных ПИШ НовГУ станет универсальной и сможет сама обучаться под любые производства.
Система работает на основе нейросетевых алгоритмов и технического зрения. Цифровой анализ позволяет классифицировать гранулы удобрений по размеру. Работа ведётся с 2024 года по заказу индустриального партнёра ПИШ НовГУ ПАО «Акрон». Автором разработки выступил магистрант ПИШ НовГУ и ассистент кафедры радиосистем Политехнического института НовГУ Владислав Рысев.
— Ручной анализ на производстве занимает слишком много времени, — подчеркнул Владислав Рысев. — Лаборант берет пробу каждые три часа, просеивает гранулы через специальное сито и подсчитывает количество и размеры. Если результаты не соответствуют стандартам, производственный процесс останавливается, а партия бракуется. Из-за этого производство простаивает 4-5 часов.
Основой для проекта послужила нейросеть, которая при помощи технического зрения определяет необходимые параметры прямо во время рабочего процесса. Цифровой анализ позволяет классифицировать гранулы удобрения по размеру. Удобрение проходит по конвейеру, над которым установлена камера, сканирующая гранулы в режиме реального времени. Нейросеть распознает контуры и определяет размеры гранул. Каждая из них проходит сравнительный анализ с эталонным изображением. Размеры гранул рассчитываются на основе расстояния от фокуса камеры до них. Результаты анализа отображаются на графиках. Отслеживание параметров в режиме реального времени помогает оперативно реагировать на любые изменения в качестве продукции и принимать необходимые меры.
— Контролировать размер гранул удобрений на производстве очень важно, поскольку от размера зависит их время растворения в почве, — пояснил Владислав Рысев. — Во-вторых, на полях гранулы разбрасывают специальные машины. Если их размер будет меньше необходимого, они будут оседать на почву «пылью» и разноситься ветром. Если же размер гранул будет больше положенного, то они могут просто не долететь до нужной точки. Идея использовать нейросеть возникла, когда обычные методы обнаружения контуров – операторы Робертса, Собеля, LoG, метод Канни – не сработали. Дело в том, что гранулы маленькие и одного цвета, поэтому на изображении выглядели как «белая каша».
Система, которую разработал Владислав Рысев, станет универсальной и сможет «самостоятельно обучаться» под любые производства. Работы над устройством еще ведутся, полностью универсальной система станет через два-три месяца за счет обучения на округлых объектах разных размеров и видов. В финальном варианте система будет сканировать как маленькие гранулы удобрений на химических производствах, так и большие объекты на крупных предприятиях, к примеру, каменные породы, круглые детали, другие виды удобрений.
— В мире существуют аналоги подобных систем, — отметил Владислав Рысев. — Но все их необходимо перенастраивать под нужды каждого отдельного предприятия. В конечном итоге компании понимают, что им дешевле, быстрее и безопаснее сделать подобное устройство самим, чем покупать готовое. Которое, к тому же, может сломаться в процессе адаптации.
На данный момент система прошла тестовые испытания на производстве. В планах у разработчика — собрать больше данных для разметки, то есть больше изображений гранул, и установить систему на производство.
Система работает на основе нейросетевых алгоритмов и технического зрения. Цифровой анализ позволяет классифицировать гранулы удобрений по размеру. Работа ведётся с 2024 года по заказу индустриального партнёра ПИШ НовГУ ПАО «Акрон». Автором разработки выступил магистрант ПИШ НовГУ и ассистент кафедры радиосистем Политехнического института НовГУ Владислав Рысев.
— Ручной анализ на производстве занимает слишком много времени, — подчеркнул Владислав Рысев. — Лаборант берет пробу каждые три часа, просеивает гранулы через специальное сито и подсчитывает количество и размеры. Если результаты не соответствуют стандартам, производственный процесс останавливается, а партия бракуется. Из-за этого производство простаивает 4-5 часов.
Основой для проекта послужила нейросеть, которая при помощи технического зрения определяет необходимые параметры прямо во время рабочего процесса. Цифровой анализ позволяет классифицировать гранулы удобрения по размеру. Удобрение проходит по конвейеру, над которым установлена камера, сканирующая гранулы в режиме реального времени. Нейросеть распознает контуры и определяет размеры гранул. Каждая из них проходит сравнительный анализ с эталонным изображением. Размеры гранул рассчитываются на основе расстояния от фокуса камеры до них. Результаты анализа отображаются на графиках. Отслеживание параметров в режиме реального времени помогает оперативно реагировать на любые изменения в качестве продукции и принимать необходимые меры.
— Контролировать размер гранул удобрений на производстве очень важно, поскольку от размера зависит их время растворения в почве, — пояснил Владислав Рысев. — Во-вторых, на полях гранулы разбрасывают специальные машины. Если их размер будет меньше необходимого, они будут оседать на почву «пылью» и разноситься ветром. Если же размер гранул будет больше положенного, то они могут просто не долететь до нужной точки. Идея использовать нейросеть возникла, когда обычные методы обнаружения контуров – операторы Робертса, Собеля, LoG, метод Канни – не сработали. Дело в том, что гранулы маленькие и одного цвета, поэтому на изображении выглядели как «белая каша».
Система, которую разработал Владислав Рысев, станет универсальной и сможет «самостоятельно обучаться» под любые производства. Работы над устройством еще ведутся, полностью универсальной система станет через два-три месяца за счет обучения на округлых объектах разных размеров и видов. В финальном варианте система будет сканировать как маленькие гранулы удобрений на химических производствах, так и большие объекты на крупных предприятиях, к примеру, каменные породы, круглые детали, другие виды удобрений.
— В мире существуют аналоги подобных систем, — отметил Владислав Рысев. — Но все их необходимо перенастраивать под нужды каждого отдельного предприятия. В конечном итоге компании понимают, что им дешевле, быстрее и безопаснее сделать подобное устройство самим, чем покупать готовое. Которое, к тому же, может сломаться в процессе адаптации.
На данный момент система прошла тестовые испытания на производстве. В планах у разработчика — собрать больше данных для разметки, то есть больше изображений гранул, и установить систему на производство.
Рубрика:
