Этапы разработки и внедрения системы компьютерного зрения

Системы компьютерного зрения считают продукцию на линии, находят брак, фиксируют нарушения техники безопасности и распознают номера машин на въезде. Технология вышла из стадии экспериментов, но между идеей и работающей системой лежит проект длиной в несколько месяцев, и заказчику редко объясняют, из чего он состоит.

Разберём этапы внедрения компьютерного зрения глазами заказчика: что происходит на каждом шаге, что потребуется от вашей команды, сколько времени и денег требует проект и почему часть таких проектов останавливается на середине. Материал пригодится, если вы оцениваете технологию до старта, готовите техническое задание или выбираете подрядчика.

Два маршрута: внедрение готового решения или разработка под задачу

Первая развилка — ещё до старта работ. Если ваш сценарий типовой — контроль автотранспорта, ношение касок и жилетов, подсчёт продукции, чтение маркировки, — задачу решают готовыми модулями: их нужно подобрать, настроить и связать с вашими системами. Если объект нестандартный или условия съёмки сложные, модель придётся обучать под вас.

Это два разных проекта. Маршрут определяет сроки, бюджет и то, сколько работы ляжет на вашу команду.

Маршруты не исключают друг друга: проект может начаться с готового модуля, а редкий сценарий дорабатывают отдельно. Что именно вам подходит, станет ясно после обследования объекта — с него проект и начинается.

Этапы проекта компьютерного зрения

Ниже — полный цикл разработки под задачу. При внедрении готового решения этапы работы с данными и обучения модели сжимаются или уходят: модуль уже обучен, его нужно адаптировать под вашу площадку.

Этап 1. Диагностика задачи и обследование объекта

Сначала разбирают задачу: что и с какой скоростью анализировать, с какой точностью и при каких ограничениях. Параллельно смотрят площадку — где стоят камеры, какие ракурсы и разрешение они дают, как меняется освещённость в течение смены, есть ли пыль и вибрация.

На этом же шаге формулируют целевое событие: что именно система должна замечать. Человек без каски, скол на кромке, пустая ячейка, неверная комплектация — чем точнее описано событие, тем предсказуемее проект. Расплывчатая постановка задачи — самая частая причина, по которой пилот затем не удаётся принять.

Здесь же решают, на каком оборудовании система будет работать. Уже установленные IP-камеры иногда подходят для типовых сценариев на готовых модулях: контроль транспорта, ношение касок и жилетов, присутствие людей в зоне. Условие — разрешение, ракурс и расположение отвечают задаче. Если модель разрабатывают под задачу, существующего видеонаблюдения почти всегда не хватает: съёмка движущихся объектов, измерения и поиск мелких дефектов требуют промышленных камер с глобальным затвором, подобранной оптики и отдельной подсветки. Это заметная статья бюджета, и учесть её лучше на обследовании, а не после первого пилота.

Этап 2. Техническое задание и метрики качества

Обследование превращается в техническое задание: сценарии, точки съёмки, состав системы, глубина интеграций. Ключевая часть, которую заказчики часто пропускают, — метрики качества.

Договоритесь заранее, при какой точности система считается рабочей, какая задержка допустима и на какой выборке это проверяется. Для задач контроля качества и отбраковки промышленные системы обычно настраиваются на точность 95–99% и выше, но конкретный показатель зависит от сценария, качества картинки и условий эксплуатации. Без зафиксированных метрик приёмка пилота сводится к спору.

Тогда же решают, нужен ли пилот, на каком участке и сколько он продлится, и как систему будут масштабировать дальше.

Этап 3. Сбор и разметка данных

Модель учится на примерах, поэтому датасет — набор размеченных изображений и видео — определяет результат сильнее, чем выбор архитектуры. Объём зависит от сложности задачи: для одного типа изделия или объекта счёт идёт от нескольких сотен до нескольких тысяч снимков.

Разнообразие важнее количества. Нужны примеры во всех вариантах ракурса и освещения, а если у контролируемого признака бывают непредсказуемые вариации — разная одежда на людях, разные формы деформации изделия, меняющийся цвет породы — снимков потребуется заметно больше.

Что происходит на этом этапе:

• Сбор примеров с объекта — из архива видеонаблюдения или съёмкой под задачу.
• Очистка выборки и разметка: на изображениях размечают объекты и события, которые модель должна различать.
• Проверка качества разметки — ошибки разметчика модель заучит и будет повторять.
• Аугментация: в датасет добавляют искажения, блики и засветы, чтобы модель узнавала объект на неидеальных кадрах.
• Разделение на обучающую, валидационную и тестовую выборки — последняя нужна, чтобы честно измерить результат.

Разметка — трудоёмкая часть проекта, и стоит заранее договориться, чьими силами она делается и входит ли в стоимость. Если исторических данных нет совсем, часть примеров собирают уже в ходе проекта или дополняют синтетическими.

Этап 4. Проектирование архитектуры и обучение модели

Решение проектируют целиком: точки съёмки, алгоритмы, среда разработки, схема размещения вычислительных ресурсов. Вычисления могут идти на ваших серверах или в облаке — выбор влияет на стоимость и на то, покидает ли видео контур предприятия.

Дальше модель обучают. С нуля — редко: чаще берут предобученную сеть и дообучают под ваш объект, ракурс, освещение и набор классов. Обучение идёт итерациями: тренировка, проверка на валидационной выборке, корректировка. Если результат не дотягивает до целевой метрики, меняют параметры, архитектуру или дополняют датасет.

Этап 5. Пилот на реальном участке

Пилот проверяет гипотезу на живых данных: работает ли модель в вашем цеху, а не на тестовой выборке. Его запускают на одном участке, с ограниченным набором камер и одним сценарием.

Что проверяют на пилоте:

• Достигнута ли целевая точность на реальном потоке и держится ли она в разные смены.
• Сколько ложных срабатываний получает оператор и не начнёт ли он их игнорировать.
• Как система ведёт себя при смене освещения, запылённости, вибрации.
• Укладывается ли обработка в темп линии.
• Складывается ли экономика: что именно пилот экономит — деньги или рабочее время.

Успешный пилот — не то же самое, что готовая система. После него остаётся дообучить модель на собранных за время пилота ошибках, достроить интеграции, развернуть решение на остальных точках и настроить мониторинг. Планируйте бюджет и сроки сразу на оба шага, иначе проект так и останется удачным экспериментом.

Этап 6. Интеграция и запуск в эксплуатацию

Систему встраивают в вашу инфраструктуру: подключают каналы данных, настраивают обмен с 1С, MES, ERP, WMS, CRM и BI-платформами, при необходимости — с VMS и СКУД. Обмен идёт через API: события и показатели попадают в системы, которыми вы уже пользуетесь.

Сама по себе фиксация события ценности не даёт — важно, что происходит дальше. При обнаружении брака система может создать задачу в ERP, оповестить ответственного и добавить запись в отчёт по качеству. Регламент реакции стоит описать до запуска.

Параллельно идут монтаж и пусконаладка, обучение сотрудников и передача документации. Работы обычно планируют так, чтобы не останавливать производство: часть из них выполняют в окна между сменами, а запуск идёт поэтапно.

Этап 7. Сопровождение, дообучение и масштабирование

Система компьютерного зрения не работает раз и навсегда. Изменились освещение, упаковка, вид продукции или ракурс камеры после ремонта — точность падает. Это называют дрейфом модели. Устраняют его дообучением на новых данных, а не перезапуском проекта.

Поэтому в сопровождение входит мониторинг качества распознавания, дообучение при изменении условий, обновление алгоритмов и масштабирование на новые площадки и сценарии. Заложите этот этап в бюджет сразу: система без сопровождения постепенно теряет точность, и через полгода ей перестают доверять.

Сколько времени занимает внедрение компьютерного зрения

Точные сроки появляются после обследования, но ориентиры дать можно. Пилотный проект по разработке машинного зрения на одном участке занимает от 2–3 месяцев — от обследования до запуска. Сложные и масштабные проекты требуют 4–6 месяцев и более. Пилот на готовом решении проходит быстрее: 4–8 недель на одном участке.

График растягивают чаще не работы подрядчика, а согласования на стороне заказчика: доступ к камерам и архиву, сбор примеров данных, решение по целевой точности.

Сколько стоит разработка и внедрение компьютерного зрения

Разработка под задачу начинается от 1 млн рублей для простых сценариев. Внедрение готового модуля на один-два участка — от стоимости нескольких камер и базового программного обеспечения. На бюджет влияют:

• Количество камер, участков и контролируемых объектов.
• Сложность сценария: простая детекция обходится дешевле отбраковки с измерениями.
• Требования к точности и времени реакции — высокая скорость и мелкие детали означают более дорогие камеры и вычислительные ресурсы.
• Объём интеграций с вашими системами.
• Наличие данных: если примеры нужно собирать и размечать с нуля, это отдельный объём работ.

Что подготовить до старта проекта

Скорость проекта во многом зависит от заказчика. Компьютерному зрению нужны не только камеры и обученная модель. До подписания договора на вашей стороне стоит подготовить:

• Владелец проекта с полномочиями. Человек, который принимает решения и согласовывает доступы, а не пересылает письма.
• Сформулированное событие. Одна фраза, описывающая, что система должна замечать, и что считается ошибкой.
• Примеры данных. Фото или видео объекта в разных условиях — хотя бы из архива видеонаблюдения. По ним оценивают выполнимость задачи.
• Доступ к камерам и архиву. Потоки, записи или выгрузка из системы видеонаблюдения, согласованные со службой безопасности.
• Куда передавать события. Какие системы должны получать результат: 1С, ERP, MES, WMS.
• Требования по данным. Ограничения на хранение видео и обработку персональных данных, принятые в компании.
• Регламент реакции. Кто и что делает, когда система зафиксировала нарушение.

Большое техническое задание к первому разговору не нужно — достаточно описать процесс и показать примеры данных. Остальное формируется на обследовании.

Почему проекты компьютерного зрения останавливаются

Технология редко бывает причиной провала. Проекты останавливаются на организации и подготовке, причём почти всегда на одном и том же.

Отдельная причина остановки — попытка сразу охватить весь завод. Проект на десять сценариев и сотню камер согласуется дольше, чем окупается пилот на одном участке.

В проекте компьютерного зрения решает подготовка, а не алгоритм

Этапы внедрения компьютерного зрения выглядят технологично, но исход решается на первых шагах: насколько точно сформулировано событие, подходят ли камеры, есть ли примеры данных и договорились ли стороны о метрике, по которой принимают пилот. Модель обучится — вопрос в том, на чём и под какой критерий.

Рабочий сценарий: начать с одного участка и одного сценария, зафиксировать целевую точность, проверить экономику на пилоте и только потом масштабировать систему на другие линии и площадки. Так проект остаётся управляемым, а вложения — проверяемыми.

Если вы оцениваете технологию под конкретную задачу, обсудите её с нами: на обследовании мы посмотрим ваши камеры и примеры данных, скажем, решается ли задача на текущей инфраструктуре, и предложим варианты решения со сметой и графиком по этапам.