Безопасность в промышленности – важная задача для ИИ

Доклад Виктора Минченкова «Автоматизация мониторинга за ручным производством» на научном семинаре в Институте искусственного интеллекта AIRI

Photo by Thisis Engineering

Институт искусственного интеллекта AIRI проводит митапы «ИИшница», на которых исследователи делятся своим опытом в различных сферах ИИ. 23 сентября на семинаре, посвященном «ИИ в индустрии», выступил исследователь Центра ИИ НИУ ВШЭ, ведущий программист МИЭМ  Виктор Минченков.

Виктор Минченков рассказал об автоматизации мониторинга за ручным производством. Тематика проекта относится к базовому функционалу безопасности на производстве.

Перед исследователями стоит ряд задач: интеллектуальное видеонаблюдение, контроль ручных операций, дефектоскопия больших объектов и на линиях производства. Эти вопросы касаются практически всех видов промышленности: приборостроения, авиастроения, серийной сборки, химического производства, пищевой промышленности.

На российском рынке уже есть подобные кейсы. Компании активно внедряют данные решения на производствах. «Однако наш проект, - поясняет Виктор Минченков, - отличается от других подходов. Раньше для детектирования использовали датчики, теперь опираемся только на компьютерное зрение.

Исследователь рассказал о различных подходах к детектированию действий и объектов. Для детектирования ручных операций применяют нейронные сверточные сети, которые доказали свою эффективность. Однако, по мнению Виктора Минченкова, чем больше мы используем модели предсказания и чем больше объектов мы хотим предсказывать, тем меньше нейронная сеть дает возможность работать в реальном времени. Такой вид не эффективен для применения на производстве, где системы должны реагировать очень быстро. Ученые сталкиваются с проблемой количества данных, доступных для обучения, скорости обучения, скорости реакции систем.

В данном исследовании используют базовый алгоритм компьютерного зрения и базовые модели нейронных сетей для локализации и кластеризации объектов. Нет датчиков, есть только данные с камер. Сцена не меняется, так как область камеры зафиксирована. Виктор Минченков: «По просьбам заказчиков мы поставили ограничения на размер объектов, с которыми работает человек. Работа с мелкими деталями, не более 5 см, требует особого внимания, мелкой моторики. Мы ведем учет реального времени и цвета объектов, так как это актуально. Нередко перед сборщиком встает вопрос, какую деталь использовать, если они одинаковые, но отличаются по цвету».  Схема должна быть максимально адаптивной, так как все существующие системы либо включают самообучение, либо долго накапливают и обрабатывают данные для использования в промышленном применении. Именно поэтому перед исследователями стоит задача адаптировать системы и быстрее подготовить данные для обучения нейронных сетей.

В докладе рассказывается про оборудование. Ученые использовали камеры с RGB-D сенсором, однако разрешение по глубине оказалось недостаточным. Поэтому взяли RGB камеры высокого разрешения. Виктор Минченков также рассказал об этапах работы системы и типах событий, которые были рассмотрены в ходе экспериментов (более одного человека за столом, объект пропал из кадра, правильная последовательность действий и др.). Работа над проектом ещё не завершена, но основные этапы пройдены.

Илья Макаров, доцент ФКН НИУ ВШЭ, отметил важные точки пересечения ряда проектов по данной тематике, что является показателем важности исследования в рамках применения технологий ИИ на производстве.