Лесная промышленность получила компьютерное зрение

ИТ-компания «Инфосистемы Джет» совместно со специалистами Segezha Group создала сервис для измерения объема заготовленного леса. Новая система, разработанная с применением видеоаналитики и машинного обучения (ML), сокращает время оценки объема и качества сырья и делает процесс лесозаготовки более контролируемыми.

Сегежский ЦБК Segezha Group (входит в АФК «Система») в Республике Карелия подвел итоги пилотного проекта по тестированию технологий машинного обучения для измерения плотного объема круглого леса и коэффициента полнодревесности  

Во время заготовки леса его вывозят грузовыми машинами (лесовозами) на склады, чтобы доставлять на комбинаты. Одна из ключевых задач в этом процессе – сделать объективный анализ поступающего сырья и произвести точный замер объема и качества бревен. Сегежский ЦБК Segezha Group (входит в АФК «Система») в Республике Карелия решил провести пилотный проект, чтобы решить эту задачу.

Специалисты ИТ-компании «Инфосистемы Джет» создали модель, которая позволяет точно измерять плотный объем поступающих на пункт приемки лесоматериалов на лесовозах. Система основана на технологиях компьютерного зрения (видеоаналитики и машинного обучения), работает на базе передовых глубоких нейронных сетей для анализа изображений и последовательностей (Convolutional and Recurrent Neural Networks).

Принцип ее работы заключается в том, что груженый лесовоз проходит сканирование на фоторамке контрольно-пропускного пункта (скан-треке), где камеры делают множество снимков; при этом модели машинного обучения анализируют груз, определяют породу и другие характеристики дерева, и считают объем леса перед его транспортировкой на бумажный комбинат. На мониторе оператор видит конкретные пачки с указанием данных (породы, качества, диаметра), полученных в автоматизированном режиме.

Таким образом, система решает задачи снижения влияния человеческого фактора на экспертную оценку, сокращает время оценки и, как следствие, общего логистического процесса. Ее использование позволит сэкономить средства на привлечение сторонних экспертов. Также система помогает создать объективные метрики качества сырья для дальнейшего анализа.

«Проверка работы методов компьютерного зрения для детекции бревен и ML в интеграции с имеющимися информационными системами — это важные ступени на пути к промышленному применению масштабируемых сервисов», — отметил Член Правления, Вице-президент по информационным технологиям и автоматизации процессов Segezha Group Павел Вахнин. — «Современные цифровые технологии демонстрируют неоспоримый бизнес-эффект. С помощью искусственного интеллекта снижается себестоимость и повышается качество готовой продукции, снимаются риски потерь сырья и невыполнения регламентов, исключаются злоупотребления и непроизводственные издержки в работе на местах».

Система, разработанная командой «Инфосистемы Джет», адаптируется под любые погодные условия (снег, дождь, грязь, яркое солнце), распознает некорректную укладку пачек (если расстояние по ГОСТ меньше 0,3-0,5 метра), имеет высокую производительность обработки снимков и автоматически определяет неразборчивые фотографии.

Точность сопоставления фотографий и древесных пачек зафиксирована на уровне 99% и выше (проверено на почти трех тысячах лесовозах), а точность определения породы древесины — 99% и выше. Причем данные одного лесовоза, проходящего через скан-трек, обрабатываются в течение нескольких секунд, тогда как ранее процесс мог занимать до Х минут с более низкой точностью.

«Результаты пилотного проекта дают основание полагать, что применение современных технологий возможны даже в таких сложных областях, как визуальный анализ поступающего сырья». — говорит Евгений Колесников, руководитель Центра машинного обучения “Инфосистемы Джет”. — «Положительный результат был достигнут за счет совместной работы высококвалифицированных специалистов Сегежского ЦБК Segezha Group и наших экспертов в области обработки данных».

Разработанный сервис формирует общий стандарт применения ML в проектах и может использоваться для других площадок, видов сырья и методов доставки.