В МАИ разработали уникальное решение по умной дефектоскопии
В рамках проекта по промышленной дефектоскопии учёные МАИ разработали уникальную методику по созданию синтетических данных. Обученная на этих данных нейросеть позволяет снимать показания приборов при помощи умной камеры беспилотника.
Одной из важнейших проблем на промышленных объектах является поддержание исправности оборудования и инфраструктуры. Обычно эту задачу выполняют квалифицированные специалисты, но обход огромных территорий занимает много времени, а в некоторых местах — и небезопасен для человека. Для выполнения этой важной и трудной задачи в последние годы стали активно привлекать беспилотники, оснащённые умными камерами, которые позволяют в автоматическом режиме контролировать объекты инфраструктуры и снимать показания с приборов — как электронных, так и стрелочных.
Такой проект для теплоэлектростанции реализовали в МАИ. В задачи промышленного беспилотника входила, в частности, дефектоскопия труб, связанных с топкой парового котла, а также определение показаний приборов машинного зала.
— Дело в том, что с точки зрения машинного зрения распознание показаний приборов сильно отличается от дефектоскопии промышленных труб. Главная сложность заключается в том, что дрон может с любой стороны подлететь к манометру, в результате чего прибор получит очень разные ракурсы освещения, соответственно, получатся разные изображения. Поскольку реальных данных для обучения нейросети в нашем распоряжении у нас было мало, мы сделали синтетический датасет, связанный с манометром. Мы изучили большой массив мировых научных публикаций и выяснили, что для стрелочных приборов, которые до сих пор используются повсеместно, не существует универсальной методики создания синтетических данных. Похожую задачу решали американские коллеги в Гарварде, но они смогли предложить решение только для неподвижной камеры, мы же сделали своё оригинальное решение для камеры БЛА в полёте, — рассказал один из разработчиков, руководитель лаборатории искусственного интеллекта института № 8 «Компьютерные науки и прикладная математика» МАИ Вадим Кондаратцев.
Не менее сложной задачей было научить камеру определять дефекты труб. Главная трудность здесь состояла в том, что дрон летает в полной темноте с зажжённым прожектором, а потому в зависимости от того, как ложится на неё свет, меняется и изображение возможного дефекта. Таких сложных вариаций реальных изображений на практике получить невозможно, поэтому и здесь разработчики пошли по пути создания генератора синтетических данных.
— Технически это выглядит следующим образом. Разработчик берёт целевую модель обстановки — улицу, помещение, топку котла, трубу и т.д. — и под эту целевую модель заготавливает, во-первых, саму базовую сцену: в нашем случае, создаёт в специальной программе 3D модель базовой трубы. Потом придумывает алгоритм, как, имея базовую сцену, автоматически двигать камеру, строить разметку, наносить дефекты. Как ставить фильтры, которые будут искажать изображение таким образом, чтобы они моделировали реальную камеру. Как сделать так, чтобы данные, которые генерируются на основе этого движка, автоматически, по запросу, всегда случайно генерировались, упаковывались и отправлялась в фреймворк обучения нейронной сети, — отмечает эксперт.
Разработка таких исходных 3D моделей — довольно трудоёмкая работа, которая в среднем занимает несколько месяцев, зато, когда генератор готов, он способен за неделю создать несколько сотен тысяч изображений, которых вполне хватает для обучения нейросети.
— Конечно, с точки зрения качества, обученный специалист-человек распознаёт дефекты и считывает показания приборов в 100% случаев: для умной камеры это пока невозможный показатель. Но в данном случае выигрыш в скорости: дрон с умной камерой может облететь всю топку за 5 минут, а человеку надо потратить несколько недель на строительство лесов и последующий осмотр, не говоря уже о рисках при проведении такого рода работ, — говорит Вадим Кондаратцев.
Материал подготовлен при поддержке Минобрнауки России.
